定位与差异
Tora 是阿里视频 AI 团队推出的轨迹导向视频生成扩散模型，属于可控式文生视频/图生视频研究方向。它的关键差异点在于把"运动轨迹"作为一等控制信号：用户可以在画面上拖拽几条曲线，系统让视频中的主体沿指定路径移动，从而得到更具导演意图的镜头感，而非仅依赖文字描述"凭感觉"生成画面。模型同时支持文本提示、首帧图像和运动轨迹三种输入方式，并尝试在扩散生成框架内将这些条件进行联合建模。
核心能力
- 文本驱动生成：通过自然语言描述场景、主体与风格，作为视频内容的主控条件。
- 首帧图像控制：可指定起始帧画面，决定构图、色调与初始姿态，再由模型延展后续帧。
- 运动轨迹控制：在首帧上绘制轨迹，指定相机或主体的运动路径，使生成结果在时间维度上更具可控性。
- 多条件融合：尝试将文本语义、视觉外观与轨迹几何在同一扩散过程中协调，缓解"提示词说一套、模型画一套"的漂移问题。
适用与不适用
较适合：需要可重复镜头语言的短片预演、广告分镜预览、运镜实验、产品展示视频的概念阶段；以及研究者探索"可控视频生成"时作为基线对比。
不太适合：对画质、分辨率、人物细节有工业化要求的长视频制作，以及缺少首帧或清晰运动意图、只能依靠纯文字随机生成的场景。
上手提示
由于 Tora 属于研究型项目，工程化部署与商用授权以官网说明为准。实际使用前，建议先准备好一段简明文本描述、确定的首帧图像以及手绘的运动轨迹，三者一致再交给模型，效果通常更稳定。生成结果可能仍存在轨迹偏离、人物变形等问题，需要多次迭代调整轨迹与提示词。