OpenAI 发布 Sora 2

Sora 2 是 OpenAI 于 2025 年 9 月 30 日推出的视频与音频联合生成模型，被官方定位为"video 领域的 GPT-3.5 时刻"。模型支持文本到视频、图像到视频、视频到视频三类输入，单次可生成 10 至 25 秒的片段，并原生输出与画面同步的对白、音效与环境声，省去后期单独配音的环节。架构上沿用 diffusion transformer，把视频切成时空 patch 序列做处理，cinematic 与动漫两种风格上的可控性都明显提升。

物理一致性是 Sora 2 着重展示的能力。官方给出的例子里，篮球投篮未中会按反弹角度撞回篮板，模型可以表达"失败"而非只能渲染"成功"，对于把视频模型作为世界模拟器的研究方向有直接意义。新增的 Characters 功能允许用户在 app 内录制一段自拍视频校验身份后，把本人或好友嵌入任意 Sora 场景，保留较高的面部与声音保真度。

发布配套了独立的 iOS app，两个月后上线 Android。API 侧分为 sora-2 与 sora-2-pro 两档，前者面向快速概念稿与社交内容，后者输出 1080p、面向广告与高保真制作，按时长计价 0.10 至 0.50 美元每秒。ChatGPT Plus 月费 20 美元含基础额度，Pro 200 美元解锁 25 秒上限与更高分辨率。所有输出带可见水印，对真人写实与受版权保护的 IP 内容做了硬性拦截。