Sora通过Transformer结构中的交叉注意力机制,使每一个视频patch关注所有提示词文本token,从而准确理解提示词的语义意图。
在训练过程中,Sora还使用了大量带文本描述的视频数据,这些数据由DALL·E3生成的高质量描述性文本提供,进一步增强了Sora对提示词语义的理解能力,从而进行精准的视频生成。
版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。