sora-2

Sora 2 ist OpenAIs Modell zur Video- und Audiogenerierung für dynamische Clips auf Grundlage einer schriftlichen Szenenbeschreibung oder Bildreferenz. Es erzeugt die Bildfolge gemeinsam mit synchronisierter Sprache, Effekten und Hintergrundgeräuschen. Das Standardprofil Sora 2 ist für visuelle Erkundung, Konzeptentwicklung, Prototypen und Rohschnitte vorgesehen. Sora 2 Pro ist eine separate Ausgabe für höhere Bildtreue und die Fertigstellung in höherer Auflösung.

Eine Einstellung beschreiben, die zu sehen und zu hören ist

Der Prompt-Leitfaden des Herstellers gliedert ein hilfreiches Briefing nach Bildausschnitt, Motiv, Handlung, Umgebung und Licht. Geben Sie der Szene einen stimmigen visuellen Stil und beschreiben Sie die Bewegung anschließend in klaren Handlungsschritten. Ein eigenständiges Produktkonzept könnte ein kleines mechanisches Objekt zeigen, das sich einmal auf einer Werkbank dreht, während sich die Kamera langsam nähert, bei weichem Fensterlicht und einem dezenten Motorgeräusch. Geben Sie an, was den Betrachtenden auffallen soll und wie die Handlung endet.

Halten Sie Kamerabewegung und Motivhandlung jeder Einstellung verständlich. Eine komplizierte Sequenz lässt sich in einzelne Einstellungsblöcke aufteilen, jeweils mit eigenem Bildausschnitt, eigener Handlung und Beleuchtung. Erhalten Sie dieselben Motivdetails und dieselbe Farbpalette, wenn mehrere Clips eine Sequenz bilden sollen. Der Leitfaden betont, dass kürzere Einstellungen Anweisungen im Allgemeinen zuverlässiger folgen und dass wiederholte Generierungen mit demselben Prompt unterschiedliche Takes ergeben.

Bei der Einführung des Modells werden verbessertes physikalisches Verhalten und Kontinuität zwischen Einstellungen beschrieben, auch für realistische, filmische und Anime-Stile. Dies sind vorgesehene Fähigkeiten, die angeleitet und überprüft werden müssen. Prüfen Sie Bewegung, Kontakt zwischen Objekten, Proportionen und Kontinuität, statt anzunehmen, dass ein plausibles erstes Bild eine stimmige Sequenz garantiert. Ist eine Handlung unklar, vereinfachen Sie sie und geben Sie ihr einen sichtbaren Anfang und ein sichtbares Ende.

Dialoge und Ton getrennt anleiten

Geben Sie gesprochene Zeilen getrennt von der visuellen Beschreibung an und kennzeichnen Sie die Sprechenden einheitlich. Halten Sie Dialoge kurz genug, damit sie zur Handlung und vorgesehenen Cliplänge passen. Lassen Sie bei einer Animation mit zwei Figuren eine kurze Frage und Antwort aufeinander folgen, statt in einer kurzen Einstellung eine lange Rede unterbringen zu wollen. Der Leitfaden warnt davor, dass komplexe, lange Dialoge Tempo und Synchronisierung stören können.

Beschreiben Sie die zur Szene gehörende Klangkulisse: das Geräusch einer kleinen Bewegung, die Raumatmosphäre oder den Rhythmus eines Umgebungsgeräuschs. Erklären Sie, welcher Ton mit welcher Handlung zusammenfallen soll. Hören Sie die erzeugte Sprache und die Effekte zusammen mit dem Bild an und prüfen Sie Sprecherzuordnung, Wortlaut und Timing. Der synchronisierte Ton ist Teil des erzeugten Clips und keine separate Textantwort.

Größe, Dauer und ein bildgeführter Anfang

Die dokumentierten Ausgabegrößen des Standardmodells sind 720×1280 im Hochformat und 1280×720 im Querformat. Die höheren Auflösungen des Pro-Profils sollten Standard-Sora-2 nicht zugeschrieben werden. Größe und Dauer sind ausdrückliche Anfrageeinstellungen; eine andere Größenangabe oder die Bitte um einen längeren Film im Prompt ändert diese Einstellungen nicht. Die Erstellungsreferenz nennt Cliplängen von 4, 8 und 12 Sekunden. Wählen Sie daher bei der Vorbereitung einer Einstellung einen kurzen, klar umrissenen Handlungsschritt. Der erweiterte Hersteller-Workflow dokumentiert auch Cliplängen von 16 und 20 Sekunden.

Eine Bildreferenz verankert das erste Bild, und der Text beschreibt, was anschließend geschieht. Der Hersteller unterstützt Referenzen im JPEG-, PNG- und WebP-Format und verlangt, dass das Bild der Zielgröße des Videos entspricht. Bereiten Sie Motiv, Umgebung und Komposition in diesem Anfangsbild vor und fordern Sie anschließend eine bestimmte Bewegung an. Es handelt sich um eine Referenz für das Anfangsbild, nicht um eine Garantie, jedes Detail im gesamten Clip beizubehalten.

Wiederverwendbare nichtmenschliche Figuren

Der erweiterte Hersteller-Workflow kann aus einem kurzen Referenzvideo eines Tiers, Maskottchens oder Gegenstands ein wiederverwendbares Figuren-Asset erstellen. Seine Vorbereitungshinweise empfehlen einen MP4-Clip von etwa zwei bis vier Sekunden, 720p bis 1080p, im Format 16:9 oder 9:16. Gleiche Seitenverhältnisse von Quelle und Ausgabe helfen, ein gestrecktes Erscheinungsbild zu vermeiden. Eine Generierung kann bis zu zwei Figuren referenzieren.

Bewahren Sie die Figurenkennung auf und erwähnen Sie den Namen im Prompt; allein die Übergabe der Kennung entspricht nicht der vollständigen Vorbereitung aus dem Leitfaden. Figuren-Assets können eine bildgeführte Generierung begleiten, werden aber bei Videoerweiterungen nicht angenommen. Der Hersteller sperrt standardmäßig Figuren-Uploads mit menschlicher Ähnlichkeit und weist im dokumentierten API-Ablauf Referenzbilder mit menschlichen Gesichtern zurück. Die Funktionen für persönliche Figuren in der Sora-App sind ein separater Produkt-Workflow.

Einen fertigen Clip fortsetzen oder bearbeiten

Eine Erweiterung verwendet ein abgeschlossenes Ausgangsvideo und einen Fortsetzungs-Prompt. Der gesamte Quellclip dient dabei als Kontext für Bewegung, Kameraführung und Szenenkontinuität. Der Leitfaden beschreibt Ergänzungen von bis zu 20 Sekunden pro Erweiterung. Als dokumentierte Eingaben für eine Erweiterung dienen das Quellvideo und Text; zusätzliche Figuren- oder Bildreferenzen sind in diesem Modus ausgeschlossen. Beschreiben Sie, wie die vorhandene Handlung weitergeht, statt ohne Übergang eine unverbundene Szene einzuführen.

Videobearbeitung zielt auf eine klare Änderung an einem bestehenden Clip. Eine gezielte Überarbeitung kann die Farbe eines Gegenstands oder die Farbpalette der Szene ändern und den Rest der Einstellung erhalten. Der Herstellerleitfaden empfiehlt jeweils eine klar definierte Änderung und unterscheidet die Bearbeitung eines generierten Videos vom Hochladen beliebigen Filmmaterials, für das eine separate Zulassungsbedingung gilt. Bewahren Sie die fertige Quelle auf und benennen Sie die genaue gewünschte Änderung, bevor Sie eine weitere Bearbeitung vornehmen.

Renderaufträge und das fertige Video

Der dokumentierte Videoablauf des Herstellers ist asynchron: Ein eingereichter Auftrag kann zunächst in der Warteschlange oder in Bearbeitung sein, bevor er abgeschlossen wird oder fehlschlägt. Ein abgeschlossener Auftrag liefert ein MP4-Video; Vorschaubilder und Spritesheet-Assets unterstützen Vorschau und Navigation. Halten Sie die Auftragskennung mit Prompt, Referenzen und zurückgegebenen Assets verknüpft. Eine anfängliche Auftragsantwort ist noch nicht das fertige abspielbare Video.

Der gewöhnliche Downloadablauf nennt eine Gültigkeit der Download-URL von einer Stunde. Der erweiterte Batch-Workflow bereitet unabhängige JSON-Renderanfragen mit stabilen Elementkennungen und hochgeladenen Referenzen vor und ordnet jedes Ergebnis wieder seiner Einstellung zu; seine abgeschlossenen Assets haben eine separate Downloadfrist von bis zu 24 Stunden. Sichern Sie den fertigen Clip zeitnah und prüfen Sie das tatsächliche Bild und den Ton, bevor Sie ihn als ausgewählten Take behandeln.

Die dokumentierten API-Inhaltsbeschränkungen des Herstellers verlangen für ein Publikum unter 18 Jahren geeignetes Material und weisen urheberrechtlich geschützte Figuren oder Musik sowie die Generierung realer Personen zurück. Bereiten Sie Szene und Referenzen entsprechend vor. Das direkte Modellergebnis ist ein Video mit Ton, keine erzeugten Einzelbilder, keine Tool-Antwort in einem Gespräch und kein unbegrenzt langer Film. Erhalten Sie die genaue Identität des Standardmodells und den akzeptierten Quellclip, wenn Sie ein visuelles Konzept fortsetzen.