Une rue de Tokyo écrite en six phrases

Une femme marche dans une rue de Tokyo, sous les néons. Veste de cuir noire, longue robe rouge, bottes noires, sac noir, lunettes de soleil, rouge à lèvres. La chaussée est mouillée et renvoie leurs couleurs comme un miroir. Des passants circulent autour d'elle. Rien de tout cela n'a été filmé. Le 15 février 2024, OpenAI place ce plan en tête de la page qui présente Sora, avec le texte qui l'a produit : six phrases en anglais, 64 mots, la description d'une tenue et d'un trottoir humide.

Selon l'annonce, Sora « peut générer des vidéos d'une minute au plus, en conservant la qualité visuelle et la fidélité à la demande de l'utilisateur ». Une minute. Le rapport technique publié le même jour rappelle qu'avant lui, les modèles de vidéo étaient souvent entraînés sur des clips ramenés à un format standard, par exemple quatre secondes en 256 pixels sur 256. Sora n'est pas ouvert au public. Il est confié à des red teamers, experts chargés de chercher les abus possibles, et à quelques artistes, designers et cinéastes.

Du bruit qu'on nettoie, bloc par bloc

Sora part d'une vidéo qui ne montre rien : du bruit statique. Le modèle retire ce bruit par petites touches, sur de nombreuses étapes, jusqu'à ce qu'apparaisse la rue demandée. C'est le principe de la diffusion, déjà employé pour les images fixes. Le procédé ressemble à une photo qui monte dans le bac du révélateur, sauf que le révélateur sait ce qu'il doit faire apparaître.

La nouveauté tient au découpage. Un premier réseau compresse la vidéo, dans l'espace et dans le temps. Le résultat est ensuite tranché en « patchs d'espace-temps », de petits fragments d'image prolongés sur quelques instants. Chaque fragment joue le rôle d'un mot dans une phrase : OpenAI écrit qu'il est « l'équivalent d'un token dans GPT ». La même architecture que GPT, un Transformer, conçue pour enchaîner des mots, sert ici à agencer des morceaux de pixels. Comme une image fixe n'est qu'une vidéo d'une seule image, Sora s'entraîne sur les deux, à leur format d'origine, et génère du 1920 sur 1080 couché au 1080 sur 1920 debout.

Pour qu'il suive les demandes, OpenAI reprend une astuce de DALL·E 3 : un autre modèle rédige des légendes très détaillées pour chaque vidéo d'entraînement. Le rapport technique présente, dès son titre, les modèles de génération vidéo « comme simulateurs du monde ». Il décrit des caméras qui tournent en gardant l'espace cohérent, des personnages qui réapparaissent intacts après être sortis du champ, un peintre dont les coups de pinceau persistent sur la toile. Il précise aussi, en introduction, que les détails du modèle et de son implémentation ne sont pas inclus.

Le cookie sans trace de dent

La page d'annonce consacre un paragraphe aux défauts, et il est franc. Le modèle peut avoir du mal à simuler la physique d'une scène complexe. Il confond parfois la gauche et la droite. Il ne saisit pas toujours la cause et l'effet, et OpenAI choisit un exemple que tout le monde comprend :

Une personne peut croquer dans un cookie, mais ensuite, le cookie peut ne porter aucune trace de morsure.

Les vidéos ratées sont publiées à côté des réussites, avec leur diagnostic. Des archéologues déterrent une chaise en plastique dans le désert, et Sora ne parvient pas à la traiter comme un objet rigide. Cinq louveteaux jouent sur un chemin de gravier, et la légende prévient que des animaux peuvent surgir de nulle part, surtout quand la scène compte beaucoup de sujets. Le rapport technique ajoute un cas d'école : le verre qui se brise, dont le modèle rend mal la physique. Une minute de vidéo cohérente, donc, à condition de ne rien casser, de ne rien manger et de ne pas compter les loups.

800 millions de dollars mis en pause

Tyler Perry regarde les démonstrations. L'acteur, réalisateur et producteur possède à Atlanta un studio de 330 acres, environ 134 hectares, et prépare depuis quatre ans un agrandissement de 800 millions de dollars : douze plateaux de tournage supplémentaires. Le 22 février 2024, une semaine après l'annonce, il explique au Hollywood Reporter que tout cela est « actuellement et indéfiniment suspendu, à cause de Sora et de ce que je vois ».

Si je voulais être dans la neige du Colorado, c'est du texte. Si je voulais écrire une scène sur la Lune, c'est du texte.

Il pense aussitôt aux acteurs, aux machinistes, aux électriciens, aux équipes de transport, au son, aux monteurs, à « chaque recoin de notre industrie ». Dans le même entretien, il raconte qu'il vient d'utiliser l'IA sur deux films pour s'épargner des heures de maquillage de vieillissement. L'homme qui s'inquiète pour les plateaux se sert déjà de l'IA sur les siens.

Un ballon jaune à 300 pour 1

Le 25 mars 2024, OpenAI publie les premiers films d'artistes invités. Parmi eux, Air Head, l'histoire d'un homme dont la tête est un ballon jaune, signée shy kids, un trio de Toronto. La page précise que les artistes ont monté et modifié ce que Sora produisait. Trois semaines plus tard, Patrick Cederberg, chargé de la postproduction, détaille ce travail au site spécialisé fxguide.

Le ballon demandé jaune ne l'était pas toujours. Il portait parfois un visage, comme dessiné dessus. Une ficelle pendait souvent sur la chemise du personnage. L'équipe isolait le ballon dans After Effects pour corriger ces défauts. Un rendu prenait en général de 10 à 20 minutes, beaucoup de plans sortaient au ralenti sans qu'on l'ait demandé, et les indications de caméra fonctionnaient « six fois sur dix ». Rien ne permettait de garder le même personnage d'un plan à l'autre, sinon des descriptions maniaques. Cederberg estime le rapport à environ 300 pour 1 entre la matière générée et ce qui reste dans le film.

Le 9 décembre, vingt secondes

Pendant que Sora reste entre les mains de testeurs, d'autres montrent leurs vidéos. Le 14 mai 2024, Google présente Veo, qui produit du 1080p et peut « dépasser la minute ». Début juin, le groupe chinois Kuaishou ouvre Kling en test sur invitation, avec des vidéos annoncées jusqu'à deux minutes. La minute de Sora n'est plus la promesse la plus longue.

Sora ouvre au public le 9 décembre 2024, dans une version plus rapide baptisée Sora Turbo, sur un site à part, pour les abonnés Plus et Pro de ChatGPT. Les vidéos montent jusqu'au 1080p et durent au plus 20 secondes. L'abonnement Plus donne droit à 50 vidéos par mois en 480p. Le Royaume-Uni, la Suisse et l'Espace économique européen restent exclus. L'annonce reconnaît que le modèle « génère souvent une physique irréaliste ». La minute de février est devenue un tiers de minute.

Une page d'aide pour épilogue

Le 30 septembre 2025, OpenAI lance Sora 2, qui génère aussi les dialogues et les bruitages, avec une application iPhone sur invitation, pensée comme un fil de vidéos à partager. Le 11 décembre 2025, Disney annonce un investissement d'un milliard de dollars dans OpenAI et une licence de plus de 200 personnages pour Sora. Le studio qui devait trembler devient partenaire.

Le 24 mars 2026, le compte officiel de l'application publie un message : « Nous disons au revoir à l'application Sora. » Il ne donne aucune raison. Selon les chiffres d'Appfigures cités par TechCrunch, les téléchargements mensuels étaient passés d'environ 3,3 millions en novembre à 1,1 million en février. Le même article rapporte que l'accord avec Disney disparaît avec l'application, sans qu'aucun argent semble avoir changé de mains. Le site et l'application ferment le 26 avril 2026. L'API, l'accès réservé aux développeurs, s'éteint le 24 septembre 2026. La page d'aide d'OpenAI conseille d'exporter ses vidéos au plus vite.

La femme de Tokyo marche encore, sur la page de février 2024 que conservent les archives du Web. Six phrases, une robe rouge, une chaussée qui reflète les néons. Pas un seul pas réellement fait.