Soraとは？静止画の次は時間軸——テキストから映像の連続を刻む拡散モデル

試験で問われる見方

Sora単独の過去問は少ない一方、辞典の定義は「テキストから動画を生成する拡散トランスフォーマーモデル」です。生成AIパスポートでは動画生成AIの定義——「テキストや画像などをもとに動画を生成するAI」——が繰り返し問われます（TF-0219、HQ-0344）。

誤答では、Sora＝Text-to-Imageだけ、Sora＝LLM（文章生成）（HQ-0333）、Sora＝動画の切り抜き編集など、別タスクとのすり替えに注意します。

時間軸という難所

静止画生成は「1枚の画素配列」をノイズから復元すればよい——動画はフレームの連続であり、時間方向の一貫性が追加の難題です。

• 空間 — 各フレーム内の人物・背景・物体の形
• 時間 — フレーム間で動きが自然につながること
• 指示 — テキストが「何がどう動くか」を伝えること

Soraは、映像を空間と時間をまとめたパッチ列として扱い、Transformerで長い依存関係を学習する——という発想で、Text-to-Imageの「1枚」から一歩進んだ動画生成の代表として注目されました。

Soraとは

SoraはOpenAIが2024年2月頃に発表した動画生成モデルです。入力は主にテキストプロンプト——「雪の中を歩く女性の映像」など——で、出力は短い動画クリップです。画像や既存動画を条件に拡張・編集する用途も示されました。

試験では細かい仕様より、「OpenAIのテキスト→動画生成モデル」と「拡散＋Transformer系」——という位置づけを押さえれば十分なことが多いです。公開状況や利用範囲は時期により変わるため、最新情報は公式発表で確認してください（2026年6月時点）。

拡散＋Transformer

Soraの技術的な系譜は、生成AIの二大潮流——拡散モデルとTransformer——の合流です。

Stable Diffusionが潜在空間で画像を拡散復元するのと同系統ですが、Soraは時間次元を含むデータを対象にする——モダリティが「画」から「動画」へ広がった、と整理すると他モデルとの違いが明確です。

静止画生成との対比

マルチモーダルAIの文脈では、テキスト・画像に加え動画が生成対象に入る——Soraはその最前線のモデル名として試験・実務の両方で名前が出ます。

活用とリスク

• 企画・プレゼン 映像のラフ案を短時間で作る——広告・教育・プロトタイピング
• クリエイティブ支援 実写撮影の前段階としての素材生成
• リスク 偽映像・ディープフェイク的悪用、著作権・肖像権、事実誤認——TF-0211の権利確認が必須

動画編集ツール（既存動画の切り抜き・字幕付け）と混同しないこと——生成は新しい映像を作る、編集は既存映像を加工する——別カテゴリです（TF-0219の定義）。

すり替えに注意

よくある質問