Sora 2: Ví dụ, Phê bình và Ấn tượng ban đầu

Ngoài ra, mô hình còn hứa hẹn một số cải tiến khác. Hãy đi qua từng điểm được công bố và xem xét phê bình một vài ví dụ.

Chính xác hơn về mặt vật lý

Sora 2 được cho là hiểu tốt hơn các khái niệm như trọng lượng, thăng bằng, tính bền vững của vật thể và quan hệ nhân quả. Nếu ai đó ném rổ hụt, quả bóng sẽ nảy khỏi vành—thay vì dịch chuyển tức thời vào rổ như ta từng thấy ở các mô hình cũ. Hãy phân tích ví dụ này:

Động lực học vật lý trông khá thuyết phục trong phần lớn video, nhưng nếu bạn nhìn vào các khung hình cuối (0,5 giây cuối), bạn sẽ thấy chân của vận động viên trượt ván kéo dài thành một hình dạng bất khả thi, gần như biến dạng.

Khi con mèo rơi khỏi đầu vận động viên trượt ván, cú rơi có cảm giác không trọng lượng và thiếu tự nhiên. Rồi đến cuối, con mèo lại xoay một vòng quay pirouette bất khả thi.

Một vấn đề lớn khác của video này là chúng ta có sự liền mạch về âm thanh trong khi thiếu liền mạch về hình ảnh. Nghe người dẫn chương trình nói qua micro trong nhà thi đấu, ta có thể suy ra hành động và thời gian là liên tục vì không có đoạn cắt trong âm thanh, nhưng video 10 giây thực ra gồm ba cú máy khác nhau rõ ràng diễn ra vào các thời điểm khác nhau. Rõ ràng với tôi là Sora 2 chưa nắm vững các nguyên tắc dựng phim cơ bản.

Có khả năng mô phỏng thất bại

Một nâng cấp tinh tế (nhưng rất hữu ích) khác là Sora 2 giờ có thể tạo ra những sai sót chân thực. Các mô hình cũ chủ yếu render hành động thành công—luôn có người tiếp đất an toàn, luôn ghi bàn. Sora 2 cố gắng mô phỏng thất bại, điều này khó hơn nghe. Với AI, việc “làm hỏng” theo cách chân thực thường đòi hỏi một mô hình nội tại sâu hơn về vật lý và hành vi con người.

Hãy xem một ví dụ:

Tôi thật sự khá thích video này, nó gần như thuyết phục tôi rằng cú ngã là thật. Điểm duy nhất phá vỡ ảo giác là thế cân bằng bất khả vào cuối. Có thể tranh luận, nhưng tôi nghĩ người đàn ông lẽ ra phải ngã sớm hơn nhiều.

Dù vậy, khả năng tạo ra sai sót có nhiều tiềm năng. Trường hợp sử dụng dễ thấy nhất là khi bạn cần quay một cảnh nguy hiểm. Thay vì dùng người thật, có thể bạn dùng AI để tránh phức tạp và cũng cắt giảm ngân sách.

Tính liên tục tốt hơn

OpenAI nói Sora 2 có thể tuân thủ các đề bài phức tạp qua nhiều cú máy đồng thời duy trì cùng nhân vật, ánh sáng và trạng thái thế giới. Vậy nên nếu bạn yêu cầu một người đàn ông mặc áo khoác đỏ bước vào tòa nhà, đi dọc hành lang, và nhặt tờ báo trên bàn, áo khoác phải luôn đỏ, hành lang nhất quán, và không đột nhiên có hai tờ báo hay ba cánh tay.

Đây là ví dụ liên quan nhất tôi tìm thấy cho tính năng này:

Ví dụ này nhét được sáu cú máy ấn tượng trong một video 10 giây. Điều thực sự tạo cảm giác liền mạch là âm thanh—tiếng ồn nền, pháo hoa và lời thoại đều được tạo rất ấn tượng. Tôi không thể đánh giá ngữ nghĩa vì không hiểu ngôn ngữ được nói, nhưng về mặt âm học, nó hoạt động tốt.

Tuy nhiên, khi nhìn kỹ hình ảnh, mọi thứ bắt đầu khó hiểu. Khoảng cách giữa các nhân vật thay đổi quá nhiều—có lúc họ ở xa nhau, rồi vài giây sau lại chạm tay. Máy quay cũng nhảy qua trục theo cách có vẻ ngẫu nhiên, khiến việc hiểu địa lý không gian và vị trí nhân vật trở nên rất khó.

Dù vậy, độ nhất quán khuôn mặt là hoàn hảo, tôi sẽ ghi điểm cho mô hình ở điểm này. Ánh sáng cũng nhất quán, và tông màu đen-trắng được giữ vững xuyên suốt các cú máy. 

Linh hoạt về phong cách

OpenAI cho biết mô hình có thể chuyển mượt giữa phong cách hiện thực, điện ảnh, và hoạt hình—kể cả anime—đồng thời vẫn giữ được chuyển động và danh tính. Điều này hữu ích cho nhà sáng tạo muốn đầu ra được cách điệu mà không đánh mất kiểm soát cảnh.

Tôi phải nói rằng đây có lẽ là ví dụ tôi thích nhất trong tất cả những gì họ đã trình diễn. Có cả thứ hoạt động tốt lẫn chưa tốt, nhưng về mặt câu chuyện, theo tôi đây là một cảnh được dàn dựng rất đẹp, chủ yếu vì nó có nhịp điệu cảm xúc vận hành hiệu quả.

Thế giới xung quanh hai nhân vật chính là một thế giới vui vẻ: mọi người đang tận hưởng một lễ hội đêm nào đó, pháo hoa thắp sáng bầu trời, và có cảm giác hân hoan. Nhưng giữa tất cả điều đó, hai nhân vật chính dường như đang có một cuộc trò chuyện rất khó khăn—cảm giác như họ ở bờ vực của một cuộc chia tay không thể đảo ngược.

Tôi không hiểu ngôn ngữ nên không thể nói chắc họ nói gì, nhưng tông cảm xúc thể hiện rất rõ. Âm nhạc được chọn rất khéo—hơi sôi nổi, phù hợp bối cảnh—và cú cận cảnh ở cuối, với pháo hoa phản chiếu trong mắt nhân vật nữ, chính là yếu tố chốt hạ.

Nếu phải phàn nàn điều gì, đó là những người xung quanh họ gần như không cử động. Nhưng cũng có thể đây là chủ ý—chúng ta đang nhìn bằng góc nhìn chủ quan, nơi thế giới xung quanh như ngừng lại một khoảnh khắc vì họ đang bị cuốn vào thế giới căng thẳng của chính mình, và chủ quan mà nói, thế giới bên ngoài đã tạm “biến mất” với họ.

Tôi cũng khuyên bạn xem hướng dẫn của chúng tôi về một đối thủ mạnh của Sora, Seedance 2.0 của ByteDance.

Sora: Ứng dụng Mạng Xã hội

Cùng với mô hình, OpenAI cũng ra mắt một ứng dụng iOS mới tên Sora, bổ sung toàn bộ lớp xã hội vào trải nghiệm tạo video. Hiện tại, ứng dụng là cách chính để truy cập Sora 2—và đến giờ nó chỉ theo lời mời và giới hạn người dùng ở Mỹ và Canada.

Tôi đoán OpenAI muốn xem điều gì xảy ra khi mọi người bắt đầu phối lại nội dung của nhau, chèn bản thân vào cảnh quay, và xem video AI như một ngôn ngữ xã hội. Liệu nó có trở thành TikTok tiếp theo hay không là chuyện khác (tôi nghĩ khả năng bằng không), nhưng cơ chế thì thú vị.

Ứng dụng mạng xã hội Sora hoạt động thế nào

Cốt lõi, ứng dụng Sora là một nền tảng nguồn cấp được xây cho video AI có thể phối lại. Bạn cuộn qua các clip ngắn do người dùng khác tạo, nhiều clip trong đó có chân dung người thật thông qua một hệ thống gọi là cameo (sẽ nói thêm bên dưới). Nếu muốn tạo của riêng mình, bạn có thể viết đề bài mới từ đầu hoặc phối lại một video hiện có dùng cameo của ai đó—với sự cho phép của họ.

Bạn có thể “thích”, phối lại, đăng lại, hoặc theo dõi người dùng như trên bất kỳ nền tảng xã hội nào khác. Bản thân nguồn cấp được cá nhân hóa, nhưng OpenAI nói họ không tối ưu cho thời lượng xem. Thay vào đó, họ cho biết nó được tinh chỉnh để tối đa hóa sáng tạo và cảm hứng, và họ đã bổ sung các kiểm soát an toàn, bao gồm giới hạn số lần tạo hằng ngày cho thanh thiếu niên và quyền kiểm soát của phụ huynh qua ChatGPT.

Ứng dụng cũng bao gồm hệ thống gợi ý điều khiển bằng ngôn ngữ tự nhiên, nghĩa là bạn có thể điều hướng loại nội dung muốn xem bằng tiếng Anh đơn giản (ví dụ “show me funny videos with animals” hoặc “less surreal stuff”).

Tính năng Cameo

Đây có lẽ là tính năng mới lạ nhất của ứng dụng. Cameo cho phép bạn ghi một đoạn video và âm thanh ngắn một lần của chính mình, mà mô hình sau đó dùng để tạo một chân dung toàn thân—giọng nói, ngoại hình, biểu cảm, tất cả. Khi cameo của bạn được xác minh và tải lên, bạn có thể chèn mình vào bất kỳ cảnh nào hoặc cho phép bạn bè phối lại bạn vào cảnh của họ.

Cách OpenAI định vị ở đây là bạn luôn kiểm soát chân dung của mình:

• Bạn quyết định ai được dùng cameo của bạn.
• Bạn có thể thu hồi quyền hoặc gỡ bất kỳ video nào có bạn xuất hiện.
• Bạn có thể xem tất cả video (kể cả bản nháp) nơi chân dung của bạn xuất hiện.

Đây là một hệ thống khéo léo, nhưng cũng đặt ra nhiều câu hỏi—về đồng thuận, bản quyền, kiểm duyệt, và cách mở rộng. OpenAI nói họ đang xây dựng các đội ngũ rà soát thủ công để xử lý các trường hợp nhạy cảm như bắt nạt, và có những quyền nghiêm ngặt hơn với người dùng trẻ tuổi.

Vì sao lại gấp rút với truyền thông do AI tạo ra?

Giống như một báo cáo gần đây của Stanford đã chỉ ra, AI thực sự chưa làm xáo trộn nhiều ngành—ngoại trừ một ngoại lệ rõ ràng: truyền thông.

Nguồn: State of AI in Business 2025 Report

Tôi không nghĩ đó chỉ là một sai số thống kê. Tôi đã nói chuyện trực tiếp với các nhà sản xuất quảng cáo, và họ đang nghiêm túc với sự dịch chuyển này. Nhiều người đang chủ động thử nghiệm AI để giảm chi phí sản xuất, tăng tốc tiến độ, và tránh những rắc rối hậu cần khi quay phim trên trường quay.

Bạn có thể thấy xu hướng tương tự diễn ra công khai. Chỉ cần lướt LinkedIn vào bất kỳ ngày nào, bạn sẽ thấy các nhà sáng tạo đăng phim ngắn, quảng cáo và trailer ý tưởng do AI tạo ra. Một ví dụ hay là quảng cáo Kalshi này—một quảng cáo thật cho một công ty thật—được sản xuất hoàn toàn bằng AI:

Đó là lý do tôi nghĩ các công ty như OpenAI, Google và Meta đột ngột tăng tốc tối đa với truyền thông do AI tạo ra. Nếu có một lĩnh vực mà AI tạo sinh đã chứng tỏ hữu ích—và nơi mọi người đang thực sự dành thời gian và tiền bạc—thì đó chính là đây. Vì vậy, dễ hiểu khi các phòng thí nghiệm đang chạy đua xây dựng nền tảng, hệ sinh thái và lớp xã hội xoay quanh video.

Tuần vừa rồi, Meta ra mắt Vibes, một nguồn cấp dạng ngắn các video do AI tạo, dường như hướng tới cùng không gian với ứng dụng Sora của OpenAI. Mẫu hình khá rõ ràng: tận dụng truyền thông và giải trí ngay bây giờ, trong khi công nghệ vẫn chưa đủ tốt để làm xáo trộn đáng tin cậy các ngành được quản lý chặt hơn như y tế hay tài chính.

Tóm lại, video là “trái thấp” nhất—và ai cũng đang cố với tới trước.

Kết luận

Dù tôi muốn giữ thái độ phê bình, cũng đáng để ghi nhận mức độ tiến bộ của các mô hình AI này. Hãy nhớ rằng đầu năm 2023, thứ tốt nhất chúng ta có chỉ là video Will Smith ăn spaghetti . Giờ thì chúng ta đang nói về âm thanh gốc, tính liên tục cảm xúc, và các ứng dụng phối lại xã hội “đúng nghĩa” nơi bạn có thể đưa chính mình vào một trận đấu kiếm trên tàu cướp biển hay một chương trình nấu ăn siêu thực do chú chó của bạn làm MC.

Tuy vậy, Sora 2 vẫn gặp khó với tính mạch lạc không gian, logic dựng phim cơ bản, và tính hiện thực vật lý tinh tế. Và quyết định của OpenAI khi khóa quyền truy cập phía sau một ứng dụng iOS chỉ mời không hẳn giúp danh tiếng với người dùng chuyên nghiệp đang tìm công cụ nghiêm túc. Có tiềm năng ở đây, nhưng cũng có lực cản.

Dù sao, rõ ràng truyền thông do AI tạo ra là lĩnh vực đáng theo dõi.