Open-Sora 2.0のリリース：低コストで商業レベルのビデオ生成能力を実現
hpcaitech（ColossalAIチーム）は最近、Open-Sora 2.0を正式に発表しました。このモデルは110億のパラメータを持つオープンソースのビデオ生成モデルで、コストと性能のバランスが業界で広く注目されています。このモデルは約20万ドル（224台のGPUに相当）のトレーニングコストで、複数の評価でトップクラスの商業モデルに近い性能を示しました。
ビデオデモ
注：上記のGIFは圧縮形式です。元の高品質ビデオは公式展示ページをご覧ください。
性能評価
権威あるVBench評価において、Open-Sora 2.0はOpenAI Soraモデルとの性能差が前世代の4.52%からわずか0.69%に縮小し、ほぼ同等のレベルに達しました。ユーザーの好みテストでは、このモデルが視覚品質（69.5%の勝率）、テキストの一貫性（55.6%の勝率）などの指標で多くの競合製品を上回り、Tencent HunyuanVideo（11B）やStep-Video（30B）などの商業モデルと同等の性能を示しました。
VBench評価における性能比較
ユーザーの好みテスト勝率比較
モデルのトレーニングコスト比較
技術革新
Open-Sora 2.0の低コスト高性能の実現には、一連の技術革新が寄与しています：
- 効率的なモデルアーキテクチャ：3D全注意メカニズムとMMDiTアーキテクチャ（Masked Motion Diffusion Transformer）を採用し、時空間特性のモデリング能力を強化
- 低解像度優先戦略：まず運動特性を学習し、その後画像からビデオ（T2I2V）を通じて画質を向上させ、計算リソースを40倍節約
- 並列トレーニングフレームワーク：ColossalAIの並列フレームワークを活用し、ZeroDP、Gradient Checkpointingなどの技術を組み合わせてGPU利用率を99%に向上
- 高圧縮自己エンコーダ：768pxビデオ生成時間を30分から3分に短縮し、速度を10倍向上
オープンソースエコシステムの価値
全栈オープンソースプロジェクトとして、Open-Sora 2.0はGitHubでモデルの重み、トレーニングコード（データ前処理や分散最適化を含む）、技術報告書を公開しています。このモデルはさまざまなアプリケーションシーンをサポートします：
- 映画の予演：ストーリーボードスクリプトや特殊効果のプロトタイプを生成
- 広告の創造性：さまざまなシーンのビデオを迅速に制作
- 教育と科学：物理法則の動的なデモンストレーション
- ゲーム開発：NPCの行動アニメーションやシーン遷移効果を自動生成
このプロジェクトは半年以内に論文の引用数が100を超え、NVIDIAを含む多くの企業がエコシステムの共同構築に参加し、ビデオ生成技術の普及に重要な貢献をしています。
実用的な機能と特性
Open-Sora 2.0は多くの実用的な機能を備えています：
多様な解像度とアスペクト比のサポート
256pxおよび768pxの解像度をサポートし、16:9、9:16、1:1、2.39:1などの異なるアスペクト比のビデオ生成を処理できます。
多様な生成モード
- テキストからビデオ生成：テキストの説明に基づいて内容に合ったビデオを生成
- 画像からビデオ生成：静的画像を動的効果のあるビデオに変換
- 動作強度の制御：Motion Scoreパラメータ（1-7点）を通じてビデオ内の動作の強度を調整
動作スコアは左から右にそれぞれ1点、4点、7点です。
効率的な推論
モデルは高性能GPU（H100/H800など）で効率的に動作します：
- 256×256解像度のビデオ生成：単一GPUで約60秒
- 768×768解像度のビデオ生成：8GPUの並列処理で約4.5分で完了
入手と使用
モデルは以下のプラットフォームでダウンロード可能です：
今後の展望
hpcaitechチームは、Open-Soraが今後も進化し続けると述べています：
- 4K解像度および1分以上の長いビデオ生成のサポート
- マルチモーダル能力の探求（音声同期生成、クロスモーダル編集）
- トレーニングおよび推論コストのさらなる削減
この成果は、ビデオコンテンツ制作のハードルを大幅に下げ、AIビデオツールのより広範な分野での適用を促進することが期待されています。