实测 Gaga：国产的 Sora2｜新鲜货，来自曹越

↑来自 gaga 首页

这不是真人，是 AI 生成的

一张照片，一段台词，3 分钟出片

声音、表情、情绪，乃至背景音，全都有

产品叫 Gaga，凌晨上线，无需邀请码

地址是 http://gaga.art

背后是 Sand.ai，曹越他们，很好的朋友

上个月就做好了，比 Sora2 还早一点

然后，我特喜欢 gaga 这名字

gaga，听着就很北京：烤鸭

🦆🦆🦆🦆🦆

所以，我发起个 有奖挑战 

给 gaga 画个吉祥物：可爱的鸭子

// 发在本文评论区就行，别刷点赞

// 该活动与 gaga 无关，纯粹我个人行为

// 活动截止：2025年10月20日 23:59

测了一下

比如，让奥特曼给我的酒吧（AGI Bar/知识蒸馏）打个广告（外国人的口音，学的很像）

比如，让族长教大家如何减肥（味真足！) 

更多例子

而下面这些例子，都来自官方首页，非常有趣

比如在多人场景里，各种戏剧冲突都很完美，根本看不出来是 AI

当你需要对影视内容，进行二创，或者 Remix 时...hhhhh

更抽象的内容，也不在话下，并且表现的非常出色

背后的团队

GaGa 的背后团队，是 Sand.AI

几十号人，办公室北京五道口

创始人曹越，清华特奖，微软亚研院，智源研究院

联合创始人张拯，跟曹越都是 Swin Transformer 的作者（据说除了两个联创，还有个一作，现在也在 Sand.ai），Swin 就无需赘述了，ICCV 的 Bestpaper

这些，在整个计算机视觉领域，都是响当当的

↑他们的办公室，最左侧的打酒机是我送的

↑他们的办公室，人被我P成了鸭子，嘎嘎

今年 4 月的时候，他们发了 Magi-1

首个高质量自回归视频模型，开了新赛道

Magi 这模型还开源了

61 页技术报告、推理代码、训练代码、模型权重全给

在当时，我也给报道了：Magi-1 开源&刷屏：首个高质量自回归视频模型，它的一切信息

顺道说一下...

Sand.AI 的中文...可以叫「三呆」

曹越他们，都是老朋友

三呆办公室的打酒机，是我送的 

我扛过去的...好重

上个月，我去三呆玩

他们说做了个新产品，让我看看

之后就看到了当时的 Gaga AI

↑当时的效果

对话场景做得特别精细

口型、音色、表情、情绪的配合

比市面上的都自然

不是那种机械的 TTS 配上简单的口型同步

而是真的在演，声音会随着人物形象变化，表情会跟着情绪走

↑也是当时的效果

问他们什么时候发布，说国庆后

等到了 9 月 30，Sora 2 发了

↑当时我对曹越的表情，belike

同样是音画同步，视频生成，全网刷屏

时间点撞上了，而且Sora 2是OpenAI的大动作

不过吧，Sora 的这个发布

也让 Gaga 充满了更大的想象

OpenAI 要押重注的东西，是要有国产版的

Sora 2是通用场景，大而全

运动、自然、动作、对话，什么都能生

Gaga 专精对话场景

胸部以上的对话演绎

gaga 的首页上..

然后因为这样，成本有了优势

只有 Sora、Veo 成本的不到 1/20

后续 API 也会开放

会比 Sora、Veo 都会便宜一个数量级

↑Sora2 的价格，还是规定饿

在当下的 AI 产业消费中

对话，是视频里最高频的场景之一

数字人、虚拟主播、在线教育...各种场景

大橘子的火星电波/ListenHub，也是这个方向

在这些领域，对话质量的要求很高

常规做法就是图片+TTS+改嘴形

匹配度，表情的细腻度，情绪的自然转换都很不精细

老实说，在这块 Sora 也很不稳定，Bad Case 很多，很烧 token

（最近不给放 Sora 了，不然我高低贴一堆视频）

为了 sora 的一个 case，我抽卡了几十组

如果想试试

官网是gaga.art，全面放开了

划个重点：限时免费，无需邀请码

上传一张清晰的正面照，写实人物效果最好

输入台词，建议 10 秒内能说完的话

等 3 分钟，音画同出，不用后期配音

以及...

别忘了参加我的 gaga 挑战赛

下面这个是我画的：三根呆毛的鸭子

毕竟...sand ai，就是三呆

嘎嘎～