GPT-5にはSora 2は含まれていなかったが、AIビデオ史上最大の飛躍となる可能性がある

OpenAIは、主力AIビデオモデルSoraの新バージョンを今四半期中にリリースする予定です。発売当初は革新的な機能を備えていたSoraですが、その後競合他社に押され、現在ではGoogleのVeo 3がAIビデオ生成のゴールドスタンダードとなっています。

GPT-5の急速なリリースを考えると、Sora 2は今後数週間、あるいは数ヶ月以内にリリースされるでしょう。GPT-4oと同様に、GPT-5はネイティブにマルチモーダルであり、あらゆる入力または出力タイプ（ビデオを含む）を処理しながら、「o」シリーズモデルと同様の複雑な推論タスクを実行します。

Soraは依然として堅実なプラットフォームです。ストーリーボード機能は新境地を開き、ChatGPT Pro加入者は最大20秒のクリップを生成できます。しかし、基盤となるモデルは時代遅れです。出力には依然としてモーションコントロールの問題があり、サウンド生成機能が不足しており、Veo 3、Kling 2.1、MiniMax 2とは異なり、複雑な物理レンダリングには苦労しています。

ソーシャルビデオ分野においても、OpenAIはMeta、Grok、Midjourneyなど、事実上あらゆるAIプラットフォームとの競争に直面しています。しかし、OpenAIは依然として世界最大のAIラボであり、豊富なリソースと、Metaによる最近の人材獲得にもかかわらず、強力なエンジニアリングチームを擁しています。彼らをまだ軽視すべきではありません。

OpenAIがSoraを競争力のあるものにするために必要なもの

Googleのビデオモデルや台頭する中国の競合企業と競争するために、OpenAIはマルチモーダル機能を活用しつつ、Soraの機能セットを拡張する必要があります。ChatGPTとの連携強化も効果的でしょう。Sora 2の重要な改善点は以下の5つです。

1. ネイティブサウンド生成は必須

OpenAIがVeo 3と競合したいのであれば、Sora 2はビデオとオーディオの両方をネイティブに処理する必要があります。サウンド生成機能を持たないモデルは、不利な状況に陥ります。

現在、Sora は無音クリップしか生成しません。これは、Veo 3 がサウンドエフェクト、環境音、さらにはダイアログまでも生成できるコア機能と比べると大きな弱点です。これは単に後付けでオーディオを追加したのではなく、真の統合を実現しているのです。

Veo 3は、複数の言語でリップシンクされたキャラクターセリフを生成できます。Sora 2にも、雰囲気のあるサウンドスケープから会話まで、同様のオーディオ機能を内蔵しています。

OpenAI が 20 秒以上のクリップを維持しながら完全なマルチモーダル生成 (ビデオ + オーディオ) を実現できれば、Veo 3 に追いつくだけでなく、完全に先を行く可能性があります。

2. 物理シミュレーションは劇的に改善する必要がある

視覚的なリアリズムは解像度だけにとどまらず、根本的に物理法則にかかっています。現在のSoraの出力では、重力に逆らう水、予測不能に変形するオブジェクト、あるいは根本的に間違っていると感じられる動きなど、不自然な動きや歪んだ物理法則がしばしば見られます。

GoogleはVeo 3で明らかに現実世界の物理法則を優先しており、その結果はそれを物語っています。Veo 3の動画は、リアルな物理法則とダイナミックな動きを最小限の不具合でシミュレートすることに優れています。一方、Soraの旧モデルは、ぎくしゃくした動きと一貫性のないオブジェクトインタラクションを生み出し、没入感を損ないます。

Sora 2が競争力を持つには、そのモデルが現実世界の行動をより深く理解する必要があります。人間の自然な歩き方からボールの跳ね方、煙の力学から流体力学まで、あらゆる動作を理解する必要があります。OpenAIは基本的に、Soraに物理エンジンを統合する必要があります。リアルな動きとインタラクション（手足の歪みや背景の溶け込みといった現象はもうありません）を実現できれば、競合製品との決定的な差を縮めることができるでしょう。

3. 会話を促すことが標準であるべき

OpenAIの切り札？ ChatGPTはすでに何百万人ものAIを訓練し、AIとの会話を習得させています。Sora 2はこれを活用し、動画制作をプログラミングではなく対話のように感じられるようにするはずです。

完璧なプロンプトや複雑なインターフェースナビゲーションを求めるのではなく、システムは自然なやり取りによる改善をサポートする必要があります。Googleはすでにこの方向に進んでおり、FlowツールはGemini AIを活用して、直感的で日常的な言語プロンプトを可能にしています。

Runwayはチャットモードと、Gen-4があらゆる要素を巧みに調整できる新しいAlephツールでこれを見事に実現しています。LumaのDream Machineは、このコンセプトを根本から採用して構築されました。

こんなワークフローを想像してみてください。「山の上の中世の騎士」と入力し、下書きの動画を受け取り、「日の出にして、ドラゴンを追加して」と言えば、Soraが瞬時にシーンを更新します。この会話型のアプローチは、初心者のハードルを下げると同時に、プロのワークフローを加速させるでしょう。

技術は既に存在します。ChatGPTはすでにフォローアップリクエストを解釈し、出力を動的に調整しています（GPT-4osネイティブ画像統合で実証済み）。ChatGPTと完全に統合されたSora 2なら、会話を通して素晴らしい動画を作成できるはずです。このユーザーエクスペリエンスは、競合他社のほとんどが依然として必要としている技術的なプロンプトを凌駕するでしょう。

また、Google が Gemini の Veo 3 や新しい Grok Imagine 機能で取り組んでいる方法と同様に、最初にネイティブ イメージを生成し、次に Sora を使用してアニメーションを作成することもできます。

4. キャラクターの一貫性とカスタマイズが重要

キャラクターとシーンの一貫性も、重要な改善点の一つです。現状では、「赤いドレスを着た少女」のクリップを2つ生成すると、全く異なる人物が2人生成される可能性があります。Soraの出力は、生成ごとにスタイルやディテールが変化するため、複数のシーンにまたがる一貫したストーリーや、繰り返し登場するキャラクターをほぼ不可能にしています。

Sora 2は、長編動画やクリップシリーズ全体で一貫したキャラクター、オブジェクト、アートスタイルを実現する必要があります。競合他社は既にこれを実現しており、Kling 2.1は「テキストプロンプトから直接、一貫したキャラクターと映画のようなライティングを実現」しています。Google Flowはさらに進化し、カスタムアセット（キャラクター画像、特定のアートスタイル）を複数のシーンに「材料」として使用できます。

OpenAIも同様の機能を提供するはずです。例えば、参照画像のアップロード、スタイルの微調整、シーンをまたいだキャラクターの持続性などです。Sora 2が動画全体を通してキャラクターの外観の一貫性を維持できれば、クリエイターは断片的なクリップではなく、ストーリーを効果的に伝えることができます。特に、20秒のクリップにネイティブオーディオが統合されていればなおさらです。

一貫性とカスタマイズは連携して機能します。独自のスタイルを維持するアーティストであっても、キャラクターの連続性を必要とする映画製作者であっても、Sora 2 はそのコントロールを提供します。

5. ディープChatGPT統合とユニバーサルアクセス

最後に、OpenAIは、幅広いアクセス性を確保しながら、Sora 2をChatGPTに深く統合することで、エコシステムの優位性を最大限に高めるべきです。GoogleのVeoはより広範なツールキット（Gemini統合、APIアクセス、Flowアプリ）に接続し、Metaは必然的に製品全体にAIビデオを組み込むでしょう。

OpenAIは、Sora 2をChatGPTのシームレスな機能として提供することで、他社との差別化を図ることができます。このアプローチをSora 2に適用すれば、何百万人ものChatGPTユーザーがアプリを切り替えることなく、AIビデオスタジオを瞬時に利用できるようになります。Googleに倣い、1日あたりの動画再生回数に制限を設け、プレミアムプランで無制限にアクセスできるといったことも可能です。これは、ChatGPT ProとSoraで既に実現している方法です。

モバイル最適化は不可欠です。今日のクリエイターは、撮影、編集、投稿をすべてスマートフォンで行っています。Sora 2がChatGPTのモバイルアプリ（または専用のSoraアプリ）内で動作し、迅速な動画作成機能を備えれば、TikTokやReelsのクリエイター市場を席巻する可能性があります。「ねえ、ChatGPT、私が火星に着陸する漫画の宇宙飛行士の15秒動画を作って」とスマートフォンに話しかけるだけで、すぐに共有できるコンテンツが手に入ることを想像してみてください。

OpenAI は、ChatGPT、開発者 API、モバイル プラットフォームを通じて Sora 2 を普及させることで、重要な改善フィードバックを収集しながらユーザー ベースを急速に構築できます。

Leonardo、Freepik、Higgsfield などのプラットフォームでは、Google の Veo 3 と Hailuo の MiniMax 2 が優れており、高速で、API 経由で利用できることから、すでに多用されています。OpenAI は Sora を更新しないことで、クリエイティブ AI 分野で遅れをとっています。

結論

OpenAIは、競合他社の成功から学ぶことでリーダーシップを取り戻す真のチャンスを手にしています。GoogleのVeo 3は現在、ネイティブオーディオ、リアルな物理特性、そして強力なプロンプトへの準拠でベンチマークを確立しており、Kling 2.1やMiniMax 2といった新興モデルも限界を押し広げ続けています。

Runway は Gen-4 モデルへの新たな改良で先を行く。このモデルは物理的には Sora と同等の品質だが、より多くの機能を備えている。また、Pika などの他のモデルはクリエイター市場に焦点を当てており、OpenAI を貴重なスペースからさらに追い出している。

Sora 2 は単なる漸進的なアップグレードではなく、驚かせるものでなければなりません。

明るいニュースは？OpenAIには基盤となる要素がある。強力な言語モデル、基盤となる第一世代のビデオモデル、そしてChatGPTの膨大なユーザーベースだ。OpenAIがネイティブ音声生成、リアルな物理演算、会話の使いやすさ、キャラクターの一貫性、そしてシームレスな製品統合を実現すれば、Sora 2はVeo 3、Kling、そして他の競合相手を凌駕するだろう。

すべてがうまくまとまれば、あなたのフィードに表示される次のバイラル AI ビデオが Sora 2 で作成されたものであったとしても驚かないでください。

Tom's Guideのその他の記事

• OpenAIはGPT-5を「より温かく親しみやすい」性格にアップデートしたばかりだが、すでに反発が起きている。
• GPT-5は最初は戸惑うかもしれませんが、専門家による5つのヒントで、これまで以上に賢く感じられるようになります。
• ChatGPT-5に脳の舞台裏を見せてもらいました。これが私が学んだことです。

テクノロジージャーナリズム界の重鎮であるライアン・モリソンは、20年以上にわたる輝かしい実績を誇りますが、AIとテクノロジーに関する洞察に満ちた記事で自らの見解を代弁することを好んでおり、自己顕示欲に走るようなことは好みません。トムズ・ガイドの元AI編集者であるモリソンは、懐疑心と熱意を織り交ぜながら、AIの複雑さを解き明かし、差し迫ったロボットによる支配など忘れさせてしまうほどの洞察力を発揮します。
自身の経歴を渋々執筆している時（あまりにも嫌いなため、AIに外注しています）は、天文学と物理学を学ぶことで知識を深め、科学的根拠に基づいた文章を執筆しています。