OpenAIがSora 2を発表：物理シミュレーション向上と音声同期、専用SNSアプリも登場

初期の AI 動画生成で、シュートを外したバスケットボールが不自然にリングへワープしてしまうような奇妙な映像を覚えている人も多いでしょう。プロンプトを満たすために物理法則を平然と無視するのがこれまでの常識でした。

その常識を塗り替えるべく、OpenAI は 9 月 30 日、次世代の動画・音声生成モデル「Sora 2」を正式発表しました。同社はこの進化を動画生成における「GPT-3.5 の瞬間」と位置づけています。さらにモデルの公開にあわせ、ユーザー同士の共同制作に特化した専用 iOS アプリ「Sora」も同時に投入されました。

物理シミュレーションと音声同期の飛躍的進化

Sora 2 の最大の特徴は、現実世界の物理挙動をはるかに正確にトレースできるようになった点です。

従来のモデルは指示を強引に成立させるため現実を歪めがちでしたが、Sora 2 ではシュートを外したボールはしっかりとバックボードに当たって跳ね返ります。水上のパドルボードでバックフリップを行う際の浮力や剛性の変化、さらには複雑な体操の演技に至るまで、破綻なく描写できるようになりました。

また、映像だけでなく音声の同時生成に対応したことも極めて実用的です。リアルな環境音や効果音はもちろん、映像内の人物の会話音声まで同期して出力されるため、外部ツールでのアフレコ作業が不要になります。

複数カットにわたるシーンでも世界観や物体の状態を破綻させずに維持する制御性を備え、実写調から映画風、アニメ風まで幅広いスタイルをカバーします。

リアルな自分を動画に放り込む「キャラクター」機能

今回 OpenAI が最も推しているのが「キャラクター（Characters）」と呼ばれる新機能です。

アプリ内で自分の顔と声を短時間スキャンして本人確認を行うだけで、自分自身や友人、さらにはペットの姿を Sora が生成したあらゆる仮想シーンへ違和感なく登場させられます。声や外見の再現性は非常に高く、テキストやスタンプに続く新しいコミュニケーションの形を目指したとされています。

この機能を生かすため、OpenAI は単独の iOS ソーシャルアプリを設計しました。タイムライン上で作品を閲覧するだけでなく、友人の動画を元にリミックスして共同制作を楽しむことができます。

SNS の中毒性やフィードへの依存対策として、言語モデルを活用した対話型の推薦アルゴリズムを導入し、滞在時間ではなく創作意欲の向上を重視した設計を採用しています。ティーン向けには日ごとの視聴制限が初期設定で適用され、ChatGPT を通じた保護者管理機能も用意されました。

アプリはまず米国とカナダで招待制として先行配信され、順次 sora.com を通じた Web アクセスも提供されます。初期段階では無料枠が設定され、ChatGPT Pro 会員にはさらに高画質な「Sora 2 Pro」が提供される予定です。

なぜ重要か

最先端の物理シミュレーターを単なる業務用ツールにとどめず、一般向けのソーシャルプラットフォームとして打ち出した点に、OpenAI の明確な狙いが見えます。

一般ユーザーやクリエイターにとって、映像と音声がワンストップで完結する体験は制作のハードルを劇的に引き下げます。これまでは別々のツールで行っていた映像生成、効果音付け、リップシンクがひとつの指示で済む価値は絶大です。ただし、計算資源の制約上、誰もが待ち時間なしで長尺動画を量産できるようになるまでには、まだ少し時間がかかるでしょう。

業界全体に与える影響も小さくありません。Runway や Kling など競合各社が映像制作プロダクションやプロ向けワークフローの獲得を競い合うなか、OpenAI は TikTok や Instagram が支配するソーシャルグラフの領域へ直接切り込みました。生成動画が「観賞するもの」から「友人と遊ぶコミュニケーション手段」へシフトすれば、エコシステムの主導権争いは一変します。

一方で、リアルな肖像の取り込みをソーシャル機能の中核に据えたことには危うさも残ります。OpenAI は自分のキャラクターが使われた下書きを含めていつでも削除・権限剥奪ができる厳格な仕組みを用意していますが、ディープフェイクや肖像権のトラブルをどこまで水際で防げるかは未知数です。物理法則を克服した Sora 2 が、現実社会のルールとどう折り合いをつけていくのかが問われています。