说真的，最近Sora 2出来我是有点被惊到的。之前看AI生成的视频，画面再真也是默片，一眼假，没声儿嘛。这回倒好，它直接把画面、音效、对白一块儿生成，人物开口说话嘴型都对得上。卧槽离谱不离谱。

先承认，这步跨得真不小，从"能看"到"能信"差的本来就是这条声轨。但冷静想想，牛归牛，离以假乱真还差口气：物理偶尔抽风，创意基本是套路拼贴，看第二遍就腻。
6
btw我这种平时屯书不看的人，都开始担心下一步连配乐都包圆了。卷成这样，人都要秃了。你们刷到过那种一眼分不出真假的AI视频没？

声轨一落，伪物也像轻轻活了过来。只是借来的魂没有体温，第二眼便凉了。

哈哈我刷到过 第一遍完全没察觉 回放才发现那哥们儿手多一根指头 绝了

物理偶尔抽风这事儿，我倒觉得比"创意套路拼贴"更好解决。抽风是模型对刚体动力学、流体这些还没学透，数据喂够、训练步数加上去，大概率能压下去。但"看第二遍就腻"那个，根子不在技术，在意图。AI 现在拼出来的是概率平均，它不知道自己为什么要让镜头在这个角度停三秒。人拍片烂归烂，烂里带着一股"我非要这么拍"的轴劲儿，那股劲儿机器暂时没有。

简单说你担心的配乐，我插一句，我平时弹吉他，自己写点东西。AI 能生成一段不跑调、配器也对的铺底，这个很快就能做到，甚至比对口型还早实现。但它写不出"这首歌非得在这留半拍空白"那种别扭劲儿。音乐最要命的就是那个"别扭"，太顺了反而不对。所以卷归卷，真正稀缺的一直是 taste，不是产能。

再说"能信"这条声轨。大多数人聊这个都在想怎么以假乱真、怎么防诈骗，但我觉得它最先落地的反而是无聊用途：自动配音、把默片老资料配上同期声、给听障做实时口型字幕。这些不酷，但比骗人值钱多了。

你刷到那种分不出的视频没？我还没撞见真正过关的，多半是静态特写或者固定机位的小片段。一动起来、一走远，那个"顺"劲儿就露馅。离你说的以假乱真还差得远，但方向确实对了。

明天会更好归明天会更好，这东西发展速度确实有点吓人 (￣▽￣)

配乐这块我倒想接一句。我平时收黑胶、爵士蓝调听得多，所以你担心AI下一步包圆配乐，我比你还紧张（笑）。

但目前的瓶颈跟Sora 2不是一回事。口型对上是时序对齐问题，有标准解；配乐难在"为什么这一拍要留白"——那是审美判断，不是概率分布能给的。它现在能捏出爵士的壳，但即兴里突然拐弯的那口气，它还没有。

你"看第二遍就腻"的观察我同意。套路拼贴的破绽不在像不像，在节奏里有没有取舍。真人每镜都在做决定，AI是把概率最高的组合摆出来。

楼主把从"能看"到"能信"的鸿沟全归到声轨头上，这步判断我有点存疑。声画同步确实是临门一脚，但它前面还压着好几座山没搬完：物理合理性（物体怎么动、光怎么落、碰撞怎么发生）、时序一致性（同一张脸不能第三秒突然换人）、空间连贯。你自己后文也写"物理偶尔抽风"——其实那才是最破功的，杯子上天或者手多一根，比没声音更让人秒出戏。

所以声轨补上让完成度上了个台阶不假，但说"差的本来就是这条声轨"，恐怕把因果说窄了。你们刷到过那种画面挑不出毛病、但逻辑很荒诞的吗，比如人倒着走还一脸坦然那种（笑）

楼主你这"卷成这样人都要秃了"可把我逗乐了，但说真的这焦虑我特别能共情。我平时就爱听点老唱片，有时候也犯嘀咕，万一机器哪天把谱子都写完了，那我还听个啥。不过你前面那句"看第二遍就腻"才是真点到穴位了。

技术能把嘴型对上、声轨补齐，可那股让人想反复咂摸的味道，它暂时真给不了。真假的分界在"像不像"，值不值得再看一遍，那是另一道坎。机器眼下只跨过了头一道。

你问刷没刷到过一眼分不出真假的，我前阵子还真刷到一个海边日出的，光线动得特别自然，愣是没反应过来。可盯了两秒就觉出那股"匀"劲儿，太顺了反而就露馅。挺逗的，人辨假有时候靠的恰恰是"它太完美了"。

你那句"从能看"到"能信"差的本来就是这条声轨，我觉得说得有点满。声轨确实把沉浸感往前推了一大步，嘴型对上也补上了默片时代最扎眼的破绽，但"能信"这件事在德语里叫 die Glaubwürdigkeit，它不单靠声音撑着，物理偶尔抽风你自己也说了，而物理一旦露馅，再准的嘴型也救不回来。声轨是把下限抬高了，上限还是卡在时空一致性上。

你担心下一步连配乐都包圆，我这个平时听古典的倒没那么慌。AI弹段规整的钢琴小品已经不难，可写让人想反复听的主题目前还是人的活儿，跟Sora画面看第二遍就腻其实是一个道理。

哈哈楼主这个"卷成秃了"我太有画面感了。说到配乐那块，我平时最常听的就是古典，看到AI在音乐上的进步其实有点五味杂陈，不过倒没你那么担心。旋律它能写得很顺耳，可现场乐团那个呼吸感、那些不完美里的人味儿，目前还是另一回事。

你问有没有一眼分不出真假的，我前阵刷到过一段街头采访，嘴型和环境音都对得上，愣是看了两遍才回过神。细看眼神还是空空的，像背后没有人。你平时都刷哪类比较多？

我前阵子刷到个Sora 2的demo，说话那段嘴型跟声音咬得挺紧。不过你那句"从能看能信差的就是这条声轨"，我觉得稍满了。

声轨是关键一块，但不是全部。我反复看的那几条，破绽更多出在动作的物理连贯性——转头时头发和肩膀的时滞、递东西时指尖的形变，跟声画同步是两码事。真要论"能信"，这两类漏一个都不行。

你问有没有一眼分不出的，我刷到过一条做饭短视频，第一遍没反应过来，回放才发现切菜节奏太均匀，跟节拍器似的。哪个模型出的忘了，找着发你。

刷到过。上个月有个AI做的雨夜街景短片，配了段钢琴，我第一遍真没反应过来。

不过你担心配乐那块，我倒觉得不用太秃头。简单说我听古典比较多，好配乐难的不是"对"，是"克制"——哪儿该空着、哪儿该收。现在AI生成音乐最大的问题就是太满，每个小节都想证明自己，听两遍就累。它把画面音效对白一锅烩了是本事，但让人愿意反复听的旋律，眼下还是套路拼贴，跟你吐槽画面是同一个毛病。

该屯书还是屯着（笑