Navigate to WaytoAGI Wiki →
Home/Question List/Question Detail

sora和lora是什么

Answer

LoRA（Low-Rank Adaptation）是一种低阶自适应模型，您可以将其理解为基础模型（Checkpoint）的小插件。在生图时，LoRA可有可无，但它具有明显的价值，常见于对一些精细的控制，如面部、材质、物品等细节的控制。其权重在相关界面会有显示。

Sora 并非常见的 AI 领域特定术语，上述知识库中未提及相关内容。

Content generated by AI large model, please carefully verify (powered by aily)

References

Liblibai简易上手教程

1.首页-模型广场：发布了其他大手子炼成的模型。如你所见，收藏和运行数（被其他用户来生图的次数）较多的模型都在首页前排，点击后可以看模型的详细信息，将模型加入模型库可用于今后生图时的快速调用。模型详情信息的下方，是用这个模型生成的图片，俗称返图区。1.Checkpoint：生图必需的基础模型，任何生图操作必须要选定一个checkpoint模型才能开始操作。注意，checkpoint区别于lora，这两个东西在模型广场都是混着展示的。checkpoint必选，lora可选可不选，任何主题的作图需求，都可以试着在模型广场上搜索或者浏览，然后收集到模型库中用于生图。1.lora：低阶自适应模型，你可以理解为checkpoint的小插件，生图的时候lora可有可无。但是lora的价值还是很明显的，基本上你看到一些精细的控制，如面部、材质、物品等等细节都常见于用相应的lora进行控制。这个也是可以加入模型库的。1.VAE：是个编码器，功能类似于我们熟悉的滤镜，调整生图的饱和度。无脑选择右侧截图中840000这个即可。1.CLIP跳过层：可以用于在生成图片之后控制、调整构图变化，一般设成2就行了，早期不用花太多精力在这里。1.Prompt提示词：想要AI生成的内容（不绝对有效，需要从入门阶段就费功夫学习，哪怕从照抄别人开始）。2.负向提示词Negative Prompt：想要AI避免产生的内容（不绝对有效，也需要费功夫学，哪怕从照抄别人开始）。1.采样方法：使用何种采样器，通俗说就是让AI用什么算法生图。

Tusiart简易上手教程

1.首页-模型\帖子\排行榜：发布了其他大手子炼成的模型、图片。不同的模型有checkpoint和lora两种不同的标签，有些模型的标签后面还有第二个XL的标签，这是属于SDXL这个新模型的意思。点击后可以看模型的详细信息。模型详情信息的下方，是用这个模型生成的图片，俗称返图区。1.基础模型：生图必需的，英文名Checkpoint。任何生图操作必须要选定一个checkpoint模型才能开始操作。注意，checkpoint区别于lora，这两个东西在模型广场都是混着展示的。checkpoint必选，lora可选可不选，任何主题的作图需求，都可以试着在模型广场上搜索或者浏览，然后收集到模型库中用于生图。1.lora：低阶自适应模型，你可以理解为checkpoint的小插件，生图的时候lora可有可无。但是lora的价值还是很明显的，基本上你看到一些精细的控制，如面部、材质、物品等等细节都常见于用相应的lora进行控制。旁边的数值是lora的权重。1.ControlNet：控制图片中一些特定的图像，可以用于控制人物姿态，或者是生成特定文字、艺术化二维码等等。也是高阶技能，后面再学不迟。1.VAE：是个编码器，功能类似于我们熟悉的滤镜，调整生图的饱和度。无脑选择右侧截图中840000这个即可。1.Prompt提示词：想要AI生成的内容（不绝对有效，需要多费功夫学习，哪怕从照抄别人开始）。2.负向提示词Negative Prompt：想要AI避免产生的内容（不绝对有效，也需要费功夫学，哪怕从照抄别人开始）。1.图生图：上传图片之后，sd将根据你的图片和你选择的模型以及输入的prompt等等信息进行重绘。重绘幅度越大，输出的图和输入的图差别就越大。

guahunyo：SD入门讲解PPT.pptx

safetensors支持各种AI模型,而在safetensors出现前,各种AI模型都有着自己独特的后缀。这就导致每种模型既可以使用safetensors又可以使用自己原有的后缀,所以入门的时候就会让人有点分不清。其实safetensors是由huggingface研发的一种开源的模型格式,它有几种优势:足够安全,可以防止DOS攻击加载迅速支持懒加载通用性强所以现在大部分的开源模型都会提供safetensors格式。开源地址:https://github.com/huggingface/safetensorsLoRA和LyCORIS LoRA是除了主模型外最常用的模型。LoRA和LyCORIS都属于微调模型,一般用于控制画风、控制生成的角色、控制角色的姿势等等。LoRA和LyCORIS的后缀均为.safetensors,体积较主模型要小得多,一般在4M-300M之间。一般使用LoRA模型较多,而LyCORIS与LoRA相比可调节范围更大,以前需要额外的扩展才可使用,现在sd已经内置了。需要管理模型时我们可以进入WebUI目录下的models/LoRA目录下。在WebUl中使用时,可在LoRA菜单中点击使用。也可以直接使用Prompt调用。[heading2]YOUR LOGO[content]Textual Inversion Textual Inversion是文本编码器模型,用于改变文字向量。可以将其理解为一组Prompt。Textual Inversion后缀为.pt或者.safetensors,体积非常小,一般只有几kb。模型所在的目录不在models下,而是在WebUI中的embeddings目录下。在使用时同样可以在Textual Inversion菜单中点击使用,也可以使用Prompt调用。

Others are asking
理解LoRA训练以及参数
LoRA 训练的参数主要包括以下方面： 1. 学习步数：指 AI 对每张图片的学习次数。二次元图片的 repeat 一般在 10 15，写实人物图片的 repeat 一般在 30 50，真实世界的景观场景可能要达到 100。repeat 值越高，AI 越能读懂图片，但图片精细度越高，学习步数也要越高。 2. 循环次数：AI 将所有图片按照学习步数学习一轮就是一次循环，循环次数就是将这个过程重复的遍数。一般数值在 10 20 之间，次数并非越多越好，过多会导致过拟合。总的训练步数 = 图片张数×学习步数×循环次数。 3. 效率设置：主要控制电脑的训练速度，可保持默认值，也可根据电脑显存微调，但要避免显存过载。 4. DIM：不同场景有不同的推荐值。如二次元一般为 32，人物常见为 32 128，实物、风景则≥128。DIM 为 64 时，输出文件一般为 70MB +；DIM 为 128 时，输出文件一般为 140MB + 。 5. 样图设置：主要控制训练过程中的样图显示，可实时观测训练效果。“sample every n steps”为 50 代表每 50 步生成一张样图，prompts 提示词可预设效果或自定义。 6. 并行数量：代表 AI 同一时间学习的图片数量。数值越大，训练速度越快，内存占用越大，收敛得慢；数值越小，训练速度越慢，内存占用越小，收敛得快。以 512×512 的图片为例，显存小于等于 6g，batch size 设为 1；显存为 12g 以上，batch size 可设为 4 或 6。增加并行数量时，通常也会增加循环次数。 7. 质量设置： 学习率：指 AI 学习图片的效率，过高会过拟合，过低会不拟合。1e 4 即 1 除以 10 的 4 次方，等于 0.0001；1e 5 即 1 除以 10 的 5 次方，等于 0.00001。一般保持默认，如需调整可点击数值旁的加减号。 网格维度：network dim 决定出图精细度，数值越高有助于 AI 学会更多细节，但数值越大学习越慢，训练时间越长，易过拟合。
2025-01-06
理解LoRA训练以及参数
LoRA 训练的参数主要包括以下方面： 1. 学习步数：指 AI 对每张图片的学习次数。二次元图片的 repeat 一般在 10 15，写实人物图片的 repeat 一般在 30 50，真实世界的景观场景可能要达到 100。repeat 值越高，AI 越能读懂图片，但图片精细度越高，学习步数也要越高。 2. 循环次数：AI 将所有图片按照学习步数学习一轮就是一次循环，循环次数就是将这个过程重复的遍数。一般数值在 10 20 之间，次数并非越多越好，过多会导致过拟合。总的训练步数 = 图片张数×学习步数×循环次数。 3. 效率设置：主要控制电脑的训练速度，可保持默认值，也可根据电脑显存微调，但要避免显存过载。 4. DIM：不同场景有不同的推荐值。如二次元一般为 32，人物常见为 32 128，实物、风景则≥128。DIM 为 64 时，输出文件一般为 70MB +；DIM 为 128 时，输出文件一般为 140MB + 。 5. 样图设置：主要控制训练过程中的样图显示，“sample every n steps”为 50 代表每 50 步生成一张样图。Prompts 提示词可预设效果或自定义。 6. 并行数量：代表 AI 同一时间学习的图片数量。数值越大，训练速度越快，内存占用越大，但收敛得慢；数值越小，训练速度越慢，内存占用越小，但收敛得快。显存小于等于 6g 时，batch size 设为 1；显存为 12g 以上时，batch size 可设为 4 或 6。 7. 质量设置： 学习率：指 AI 学习图片的效率，过高会过拟合，过低会不拟合。1e 4 实际为 1 除以 10 的 4 次方，即 0.0001；1e 5 为 1 除以 10 的 5 次方，即 0.00001。一般保持默认，如需调整可点击数值旁的加减号。 网格维度：network dim 决定出图精细度，数值越高有助于 AI 学会更多细节，但数值越大学习越慢，训练时间越长，易过拟合。
2025-01-06
高效微调技术-LoRA 全量微调与少量参数微调
以下是关于高效微调技术 LoRA 全量微调与少量参数微调的相关信息： LoRA 微调： 微调脚本： 脚本见： 具体实现代码见： 单机多卡的微调可以通过修改脚本中的include localhost:0来实现。 加载微调模型： 基于 LoRA 微调的模型参数见：基于 Llama2 的中文微调模型，LoRA 参数需要和基础模型参数结合使用。 通过加载预训练模型参数和微调模型参数，示例代码中，base_model_name_or_path 为预训练模型参数保存路径，finetune_model_path 为微调模型参数保存路径。 全量参数微调： 微调脚本： 脚本见： 具体实现代码见： 加载微调模型： 对于全量参数微调的模型，调用方式同模型调用代码示例，只需要修改其中的模型名称或者保存路径即可。 此外，关于微调还有以下补充信息： 微调模型意味着改变模型的权重，现在微调变得越来越容易，因为开发了许多技术并建立了代码库。 像 LoRA 这样的参数高效微调技术只训练模型的小部分稀疏片段，模型大部分保持基础模型状态，效果好且成本低。 微调技术上更为复杂，需要更多技术专业知识，包括人工数据合同承包商的数据集和复杂的合成数据流程，会减慢迭代周期。 SFT（有监督的微调）相对简单明了，RLHF（基于人类反馈的强化学习）则是非常研究性的领域，难度大，不适合初学者。 目前除了传统的全量训练和 freeze 冻结某些层方式，还发展出了很多种高效的微调方法，如 LoRA、Prefix Tuning、PTuning、Prompt Tuning、AdaLoRA、3、MultiTask Prompt Tuning 等。本篇主要采用 LoRA 方式，主要思路是训练一个参数量较小的分支，然后再与底模合并，从而在模型中注入新的知识。
2025-01-06
flux lora调参数，我训练出来的人物模型和数据集的人物图片不像，出现这种情况的原因都有哪些，应该调整哪些参数，我需要我的flux模型训练出来的模型是一致性还原性，和泛化性比较不错的，按照这个方向给我指导
以下是关于 flux lora 调参数以获得一致性、还原性和泛化性较好的人物模型的指导： 打标环节： 选择基础大模型，如“麦橘写实”，并为 lora 命名。 将照片导入，选择合适分辨率，可勾选“脸部加强训练”，然后进行预处理。手动裁剪图片比自动裁剪更可靠。 预处理后会出现脸部和整体文件夹，且每张照片自动打好 tag 标签。 可为整体添加统一标签，也可单独修改每张图片的标签。标签有助于 AI 理解图片，描述越详细，人物变化可能越多，泛化性可能越好。仔细检查每张图片的标签，其质量会影响人物 lora 的泛化性。 参数调整环节： 大部分参数是固定的，主要的几个按照人物参数配置一遍。后期根据生成结果再调整。 炼丹环节： 例如 18 张脸部图片，20 张整体图片，各训练 50 步，循环训练 10 次，并行步数为 1。训练总步数和时长会有所不同，loss 值可作为参考，但最终效果仍需通过测试判断。 此外，在 Lora 串联方面，多个 Lora 串联时左右顺序不影响结果，可复制并点对点连接。CLIP 层 1 和 2 的效果不同，加 Lora 时某些 Lora 可能更适合 2。Lora 可用于生成底模无法画出的内容。在运行中点击取消可打断正在渲染跑的图。图像放大可通过 up scale image using model 节点，选择放大模型，用 resize 节点调整尺寸，再用编码器和采样器处理。放大模型直接放大的图像效果不佳，需再次采样增加细节。添加飞桨缺失节点可通过拖入工作流查看标红节点，从管理器安装或从 GitHub 获取节点包放入文件管理系统。采样器和调度器参数设置建议参考模型作者推荐，并结合自己调试。Web UI 中 Lora 库有刷新按钮，将 Lora 丢到文件夹后多点几次刷新即可。
2025-01-04
flux lora训练指南
以下是关于 Flux 的 Lora 模型训练的指南： 准备工作： 需要下载以下模型： t5xxl_fp16.safetensors clip_l.safetensors ae.safetensors flux1dev.safetensors 注意事项： 1. 不使用的话，模型放置位置不限，但要清楚其“路径”，后续会引用到。 2. 训练建议使用 flux1dev.safetensors 版本的模型和 t5xxl_fp16.safetensors 版本的编码器。 下载脚本： 夸克网盘链接：https://pan.quark.cn/s/ddf85bb2ac59 百度网盘链接：https://pan.baidu.com/s/1pBHPYpQxgTCcbsKYgBi_MQ?pwd=pfsq 提取码：pfsq 修改脚本路径和参数： 如果显卡是 16G，右键 16G 的 train_flux_16GLora 文件；如果显卡是 24G 或更高，右键 24G 的 train_flux_24GLora 文件。（DB 全参微调对硬件要求高，内存 32G 可能不行。即使是 train_flux_24GLora 方式，也建议内存高于 32G 以避免意外。） 右键用代码编辑器打开文件，理论上只需修改红色部分：底模路径、VAE 路径、数据集路径，还有下面的 clip 路径和 T5xxl 路径。如果 4 件套在一个文件夹，路径填写更简单；若不在，需准确复制各模型的路径，注意检查格式，避免多双引号、漏双引号或路径错误。 数据集准备： 1. 进入厚德云 模型训练 数据集：https://portal.houdeyun.cn/sd/dataset 2. 创建数据集：在数据集一栏中，点击右上角创建数据集，输入数据集名称。zip 文件可以包含图片+标签 txt，也可以只有图片（之后可在 c 站使用自动打标功能），也可一张一张单独上传照片，但建议提前将图片和标签打包成 zip 上传。Zip 文件里图片名称与标签文件应当匹配，例如：图片名"1.png"，对应的达标文件就叫"1.txt"。上传 zip 后等待一段时间，确认创建数据集，返回到上一个页面，等待上传成功后可点击详情检查，能预览到数据集的图片以及对应的标签。 Lora 训练： 点击 Flux，基础模型会默认是 FLUX 1.0D 版本。选择数据集，点击右侧箭头选择上传过的数据集。触发词可有可无，取决于数据集是否有触发词。模型效果预览提示词可随机抽取数据集中的一个标签填入。训练参数可调节重复次数与训练轮数，若不知如何设置，可默认 20 重复次数和 10 轮训练轮数。可按需求选择是否加速，点击开始训练，会显示所需消耗的算力，然后等待训练，会显示预览时间和进度条。训练完成会显示每一轮的预览图，鼠标悬浮到想要的轮次模型，中间会有生图，点击会自动跳转到使用此 lora 生图的界面，点击下方的下载按钮则会自动下载到本地。
2025-01-04
为什么有的大模型不能和lora一起用
大模型不能和 Lora 一起用可能有以下原因： 1. 不配套：一般情况下，只有配套的大模型和 Lora 一起使用才能达到 Lora 的最佳效果。不同的大模型和 Lora 可能在特征、参数等方面不匹配。 2. 触发条件：除了加载 Lora 外，还需要加入一些特定的触发词才能保证其正常使用，如果没有满足触发条件，可能无法协同工作。 同时，模型的类型和安装位置也很重要： 1. 大模型（Ckpt）应放入 models\\Stablediffusion 目录。 2. Lora/LoHA/LoCon 模型应放入 extensions\\sdwebuiadditionalnetworks\\models\\lora 或 models/Lora 目录。 使用 Lora 时要注意作者使用的大模型，也不排除一些 Lora 和其他大模型会产生奇妙的效果。此外，文件后缀名相似，难以通过后缀名区分文件类型，可通过特定网站检测。
2025-01-02
openai 发布的sora最新模型中，生成视频的提示词与一般问答提示词有什么区别或者注意事项？
Sora 是 OpenAI 于 2024 年 2 月发布的文本到视频的生成式 AI 模型。 生成视频的提示词与一般问答提示词的区别和注意事项如下： 1. 对于视频生成，神经网络是单射函数，拟合的是文本到视频的映射。由于视频的动态性高，值域大，因此需要丰富且复杂的提示词来扩大定义域，以学好这个函数。 2. 详细的文本提示能迫使神经网络学习文本到视频内容的映射，加强对提示词的理解和服从。 3. 和 DALL·E 3 一样，OpenAI 用内部工具（很可能基于 GPT4v）给视频详尽的描述，提升了模型服从提示词的能力以及视频的质量（包括视频中正确显示文本的能力）。但这会导致在使用时的偏差，即用户的描述相对较短。OpenAI 用 GPT 来扩充用户的描述以改善这个问题，并提高使用体验和视频生成的多样性。 4. 除了文本，Sora 也支持图像或者视频作为提示词，支持 SDEdit，并且可以向前或者向后生成视频，因此可以进行多样的视频编辑和继续创作，比如生成首尾相连重复循环的视频，甚至连接两个截然不同的视频。 以下是一些 Sora 的案例提示词，如：“小土豆国王戴着雄伟的王冠，坐在王座上，监督着他们广阔的土豆王国，里面充满了土豆臣民和土豆城堡。”“咖啡馆的小地图立体模型，装饰着室内植物。木梁在上方纵横交错，冷萃咖啡站里摆满了小瓶子和玻璃杯。”“一张写有‘SORA’的写实云朵图像。”“一群萨摩耶小狗学习成为厨师的电影预告片‘cinematic trailer for a group of samoyed puppies learning to become chefs’”
2024-12-27
sora教程
以下是关于 Sora 及相关的教程信息： AI 视频方面： 软件教程： 工具教程： 应用教程： Python + AI 方面： 对于不会代码的人，有 20 分钟上手的教程，包括通过 OpenAI 的 API 生成文章缩略信息的代码重写及相关操作步骤。同时提醒妥善保管 API Key，OpenAI 的综合文档、API 使用、API Playground、API 案例与答疑的相关网址为：https://platform.openai.com/docs/overview 、https://platform.openai.com/docs/apireference 、https://platform.openai.com/playground 、https://cookbook.openai.com/ 。 工具教程： 开放公测，群友有实测案例。可参考卡兹克的教程介绍：https://mp.weixin.qq.com/s/YGEnIzfYA3xGpT9_qh56RA 以及 zho 总结的官方网站的案例。目前除每日 150 个赠送积分外，还新增积分购买选项，可操作固定种子、步数、运动幅度，交互也很有意思，在生成过程中会有案例标注。 此外，还有几个视频 AIGC 工具：Opusclip 可将长视频剪成短视频，Raskai 能将短视频素材直接翻译至多语种，invideoAI 输入想法后可自动生成脚本和分镜描述进而生成视频再人工二编合成长视频，descript 可对屏幕/播客录制并以 PPT 方式做视频，veed.io 能自动翻译自动字幕，clipchamp 是微软的 AI 版剪映，typeframes 类似 invideoAI 但内容呈现文本主体比重更多，google vids 是一款相关工具。Sora 是 OpenAI 发布的超强视频生成 AI，能通过处理各种视觉数据生成视频，使用视频压缩网络和空间时间补丁统一不同来源数据，并借助文本条件化的 Diffusion 模型生成与文本提示匹配的视觉作品。
2024-12-17
ChatGPT与Sora 是不是只有苹果手机或苹果电脑才能注册与登入？
ChatGPT 注册与登录： 苹果系统： 中国区正常无法在 AppleStore 下载 ChatGPT，需切换到美区。美区 AppleID 注册教程可参考知乎链接：https://zhuanlan.zhihu.com/p/696727277 。 最终在 AppleStore 搜到 ChatGPT 下载安装，注意别下错。 打开支付宝，地区切换到美区任意区，购买【App Store&iTunes US】礼品卡，按需要金额购买（建议先买 20 刀），然后在 apple store 中兑换礼品卡，在 chatgpt 中购买订阅 gpt plus，中途不想继续订阅可到订阅列表中取消。 会员不管在苹果还是安卓手机上购买的，电脑上都能登录。 注册美区 ID 详细步骤： 1. 电脑上打开 Apple ID 的注册页面：https://appleid.apple.com/ac 。 2. 填写验证码后点继续。 3. 到谷歌邮箱接收邮箱验证码。 4. 接着验证手机号码。 5. 验证完后会出现页面，此时美区 ID 已注册但未激活，切换到手机操作。 6. 打开 App Store，点击右上角人形头像。 7. 拉到最底下，点击退出登录，先退出国内的 ID。 8. 之后再点击右上角人形头像。 9. 手动输入美区 ID，会收到短信进行双重验证。 10. 之后完成美区的 ID 登录。 11. 随便找个软件下载，会弹出提示，点击“检查”进行激活。 12. 点击同意，进入下一页填写美国地址。 13. 若付款方式中没有“无”或“none”选项，输入街道地址和电话。 14. 至此，通过中国 IP、中国手机号、免信用卡成功注册一个美区 ID，可用于下载例如小火箭、ChatGPT、Discord、X、TikTok 等软件。 关于 Sora 的注册与登录相关信息未提及。
2024-12-16
Sora是什么
Sora 是 OpenAI 发布的一个文本到视频的生成模型。 它具有以下特点和能力： 1. 能够根据描述性的文本提示生成高质量的视频内容。 2. 其生成的视频不仅逼真且充满想象力，能创造出各种场景。 3. 可以生成长达 1 分钟的超长视频，且是一镜到底的，视频中的人物和背景等具有惊人的一致性和稳定性。 4. 虽然在技术界引起广泛关注和讨论，但目前 OpenAI 未公开发布，仅向少数研究人员和创意人士提供有限访问权限以获取使用反馈并评估技术安全性。 在图像生成能力方面，Sora 能生成图像，虽不及 Midjourney，但优于 Dalle 3。此外，Sora 在视频游戏模拟中也具有一定的能力。
2024-12-16
Sora怎么使用
Sora 是一个强大的视频生成模型，具有以下特点和使用方式： 1. 可作为世界模拟器，能够在两个输入视频之间逐渐插值，创建在完全不同的主题和场景构成之间的无缝过渡。 2. 它使用视频压缩网络和空间时间补丁来统一不同来源的数据，然后借助文本条件化的 Diffusion 模型生成与文本提示匹配的视觉作品。 3. 从核心本质上看，Sora 是一个具有灵活采样维度的扩散变压器，有三个部分： 时空压缩器首先将原始视频映射到潜在空间。 ViT 然后处理标记化的潜在表示，并输出去噪的潜在表示。 类似 CLIP 的条件机制接收 LLM 增强的用户指令和可能的视觉提示，以指导扩散模型生成风格化或主题化的视频。经过多次去噪，生成视频的潜在表示被获得，然后通过相应的解码器映射回像素空间。 此外，关于 Sora 的使用，各家 AI 最细致的教程几乎都在其官网上，例如 OpenAI 的综合文档：https://platform.openai.com/docs/overview ，API 使用：https://platform.openai.com/docs/apireference ，API Playground：https://platform.openai.com/playground ，API 案例与答疑：https://cookbook.openai.com/ 。同时，请注意妥善保管 API Key，它是扣费凭证，不要泄漏。
2024-12-13
Sora实测效果如何
Sora 是 OpenAI 推出的革命性模型，于 2024 年 12 月 10 日正式登场。它具有以下特点和实测情况： 功能： 文生视频、图生视频、视频生视频，支持多种视频定制选项，如分辨率（从 480p 到 1080p）、视频长度（从 5 秒到更长时间）和视频风格。 故事板功能，允许用户通过时间线指导视频中的多个动作，创建更加复杂的视频序列。 混音和编辑功能，提供视频混音，支持视频的延伸和剪辑，以及创建循环视频。 高级功能包括混合功能，可以将两个视频场景合并成一个新的场景。 费用和订阅套餐： 对于已经拥有 OpenAI Plus 或 Pro 账户的用户，Sora 的使用包含在现有订阅中。 OpenAI Plus 订阅每月有 50 次视频生成次数。 OpenAI Pro 订阅有无限次慢速队列生成和 500 次正常速度的视频生成次数。 选择更高分辨率的视频生成可能会减少每月的使用次数。 实测案例： 有正面报道，如《》等。 也有负面报道，如《》。 有博主已经做了提前测试，如 This Video is AI Generated!SORA Review（https://www.youtube.com/watch?v=OY2x0TyKzIQ ）。 大家的测试和创意包括：能够识别一段长内容并且文字形体不变形，根据新闻创建适合在 tiktok 上传播的短视频等。 体验 Sora 的魔力可访问： 。2 点直播链接：https://www.youtube.com/watch?v=2jKVx2vyZOY 。Sora 发布初期，某些地区（如欧洲和英国）可能会有延迟。
2024-12-13