סורה / Sora

מה זה סורה ומה השתנה בדור השני?

סורה הוא מודל הווידאו של החברה שפיתחה את מנוע השיחה ChatGPT. ההצגה הראשונה שלו בשנת 2024 גררה גל תגובות בעיקר בגלל אורך הקטעים ואיכות התנועה, בזמן שכל המתחרים עדיין ייצרו קטעים של שתי שניות שמתפרקים. אחרי כשנה נפתחה גישה ציבורית, ובהמשך יצא דור שני ששינה את כללי המשחק בצורה שקשה להפריז בה.

ההבדל המרכזי בדור השני הוא שהקול נולד יחד עם התמונה ולא מודבק אליה אחר כך. עד אז כל תהליך ייצור וידאו מבוסס בינה מלאכותית נראה אותו דבר: מייצרים קטע אילם, מייצרים קריינות בכלי קול נפרד, מחפשים אפקטים בספרייה ומרכיבים הכול בעורך. כאן הדמות בפריים מדברת, השפתיים מסונכרנות למה שנשמע, ורעש הצעדים תואם למשטח שעליו היא הולכת. זה מקצר את התהליך משעות לדקות ומשנה את מי שיכול לבצע אותו.

הרכיב השני שראוי להבין הוא הדמות השמורה. אפשר להקליט פעם אחת קטע קצר של אדם, ומאותו רגע לשבץ אותו בקטעים חדשים בהסכמתו. זו יכולת שנשמעת שולית ומייצרת אפשרויות עסקיות ממשיות: פרזנטור אחיד לסדרת סרטונים, דמות מותג שחוזרת בקמפיין שלם, ומנהל שמופיע בעשרה סרטוני הסבר בלי לצלם עשר פעמים. היא גם זו שמייצרת את רוב הדיון הציבורי סביב הכלי.

ההקשר השלישי הוא שהמוצר בנוי כאפליקציה חברתית ולא ככלי מקצועי. הממשק המרכזי הוא הזנה של קטעים שאנשים מייצרים, עם אפשרות לקחת קטע קיים ולשנות אותו. זו החלטה מכוונת שמסבירה חלק גדול מהחוויה, כולל מה שחסר בה. מי שמגיע מעולם ההפקה מחפש ניהול פרויקט, גרסאות ותיקיות, ומוצא במקומם משהו שדומה יותר לרשת חברתית. גם על זה נדבר בהמשך.

הפיצ'רים המרכזיים של סורה

שש יכולות מרכזיות מגדירות את הכלי. הראשונה היא זו שכולם מדברים עליה, והרביעית היא זו שחוסכת הכי הרבה זמן בעבודה אמיתית.

ראוי להתעכב על ארבעה דברים שהרשימה לא מספרת. הראשון הוא שהקול המשולב עובד היטב באנגלית ופחות טוב בכל שפה אחרת. דיבור באנגלית יוצא טבעי ומסונכרן, ואילו עברית יוצאת במבטא כבד, עם הברות מעוותות ולעיתים עם מילים שאינן קיימות. מי שמייצר תוכן לקהל ישראלי יקבל תמונה מצוינת וקול שיצטרך להחליף, וזה מחזיר חלק מהתהליך הישן.

השני הוא שלוח תכנון השוטים הוא היכולת שהכי כדאי ללמוד. בקשה אחת ארוכה מייצרת קטע שנראה טוב לשלוש שניות ואז מאבד כיוון. פירוק לרצף של הוראות קצרות עם ציר זמן מייצר קטע שמחזיק את המבנה עד הסוף. ההבדל בין שתי הגישות גדול יותר מההבדל בין המודל הזה למתחרים, וזו הסיבה שאותו כלי נראה מרשים אצל אחד ומאכזב אצל אחר.

השלישי הוא שהפיזיקה עדיין נשברת, בעיקר במגע בין גופים. יד שאוחזת חפץ, נוזל שנשפך, אריג שמתקפל: אלה עדיין המקומות שבהם רואים שמדובר בייצור ולא בצילום. השיפור מול הדור הקודם משמעותי, והמרחק מצילום אמיתי לא נסגר. בשימוש עסקי זה בדרך כלל לא מפריע, כי רוב הסרטונים אינם צילום תיעודי.

הרביעי הוא שהמערכת מסרבת להרבה בקשות. דמויות שדומות לאנשים מפורסמים, סמלים מסחריים, דמויות מסדרות ותכנים שנויים במחלוקת נחסמים. עבור שימוש עסקי לגיטימי זה כמעט לא מורגש, ועבור מי שרוצה לשחק זה מתסכל. שווה לדעת שהמדיניות בנושא זכויות של בעלי תוכן השתנתה מאז ההשקה והתהדקה, ולכן חוויות שמישהו מתאר מלפני חצי שנה כבר אינן רלוונטיות.

כמה זה עולה?

התמחור בנוי בשתי שכבות שלא מדברות זו עם זו: מנוי צרכני שכולל מכסה, וממשק תכנות שמחייב לפי שנייה. ההבדל ביניהן גדול, וכדאי להבין אותו לפני שמתחילים.

החישוב שכדאי לעשות פשוט ומפתיע. קטע של עשר שניות בממשק התכנות עולה בערך דולר, ולכן חמישה עשר קטעים בחודש כבר מגיעים לרף של המנוי הבסיסי. מי שמייצר סרטון אחד בשבוע ישלם פחות בממשק התכנות, ומי שמייצר עשרות ימצא את המנוי זול משמעותית. הגבול נמצא נמוך יותר ממה שרוב האנשים מעריכים, ולכן שווה לספור לפני שבוחרים.

שיקול שני שנעלם כמעט תמיד הוא מספר הניסיונות. הטעות הכי יקרה בתחום הזה היא לתמחר לפי הקטע הסופי. בפועל, קטע שנכנס לסרטון הוא בדרך כלל הרביעי או החמישי שיוצר, ולכן העלות האמיתית לשנייה מוגמרת גבוהה פי ארבעה מהמחירון. מי שבונה תקציב להפקה שלמה צריך להכפיל את החישוב שלו, ומי שעובד במנוי צריך לזכור שהמכסה נשרפת על ניסיונות ולא על תוצרים.

נקודה אחרונה בתמחור שנוגעת דווקא לפלט ולא לכסף: הפלט במנוי הבסיסי נושא סימן מים נע, ולא כל לקוח מוכן לקבל סרטון כזה. מי שמתכוון להשתמש בתוצרים בערוצים רשמיים של מותג צריך את המנוי הגבוה או את ממשק התכנות, וזה מעלה את הרצפה בצורה משמעותית. שווה לוודא את הנקודה הזאת מול הלקוח לפני שמתחילים ולא אחרי שהסדרה מוכנה.

סורה מול כלי הווידאו האחרים

הקטגוריה הזאת התפצלה לשלושה זרמים שכמעט אינם מתחרים באמת: כלי הפקה עם שליטה מדויקת, מודלים שמייצרים קטע יפה מטקסט, ומחוללי סרטוני מציג עם אווטאר. הכלי שכאן יושב בזרם השני ובולט בו בגלל הקול, ולכן ההשוואה משתנה לפי מה שאתם מייצרים.

מול כלי ההפקה המקצועיים, ההבדל הוא בשליטה מול מהירות. מערכת הווידאו Runway נותנת שליטה על תנועת מצלמה, מסכות, הרחבת פריים והתאמה לשוט קיים, ומצפה ממכם לדעת מה אתם עושים. כאן מקבלים תוצאה מלאה מהר יותר ובשליטה נמוכה יותר. הפקה שיש בה במאי תיטה לשם, סדרת תוכן שוטפת תיטה לכאן, וצוותים רבים משתמשים בשניהם לפי השלב.

מול המודל של גוגל, ההשוואה הכי צמודה בקטגוריה כולה. מודל הווידאו Veo גם הוא מייצר קול, גם הוא מגיע עם איכות תנועה גבוהה, והוא משולב עמוק יותר בכלי עריכה ובסביבת עבודה קיימת. היתרון כאן הוא בטבעיות של הדיבור ובקלות של שמירת דמות חוזרת, והיתרון שם הוא בזמינות דרך כלים שכבר נמצאים בארגון. מי שמתלבט ביניהם צריך להריץ את אותו תסריט בשניהם, כי ההבדל תלוי בסוג התוכן יותר מאשר בדירוג כללי.

מול מחוללי האווטאר, אלה בכלל שני עולמות. כלי אווטאר מייצר אדם שמדבר מול מצלמה בסביבה קבועה, ומצטיין בסרטוני הדרכה ובעדכונים פנימיים. הכלי כאן מייצר סצנה שלמה עם תנועה, וגם דמות שמדברת בתוכה. מי שצריך שלושים סרטוני הדרכה באותו פורמט יבחר באווטאר וייצא צודק, ומי שצריך שלושים שניות של סיפור חזותי יבחר כאן.

יש כאן גם זווית של קול שראוי לפתוח. הדיבור המשולב חזק באנגלית, ולכן צוותים שעובדים בעברית משתמשים בו לתמונה ומחליפים את הקול בכלי הקול ElevenLabs, שנותן עברית טבעית ושליטה מלאה בהטעמה. ההרכבה הסופית נעשית אחר כך, ואפשר לעשות אותה גם בסביבת העיצוב Canva בלי עורך וידאו מקצועי. זה תהליך היברידי שנשמע מסורבל ועובד מצוין בפועל.

המסקנה שעולה מהשוואה כזאת היא שאין כאן מנצח יחיד אלא חלוקת תפקידים. הכלי הזה מייצר את הסצנה, כלי אחר מדייק אותה, כלי קול מטפל בעברית, וכלי עיצוב מרכיב את הגרסה הסופית לכל ערוץ. מי שמנסה לעשות את כל ארבעת השלבים במקום אחד מקבל תוצאה בינונית בכולם.

הפיצ'ר שעושה את ההבדל: תסריט שהופך לרצף שוטים

היכולת שמפרידה בין תוצאה מרשימה לתוצאה מביכה היא פירוק התסריט לרצף הוראות קצרות עם ציר זמן. משפט אחד ארוך מייצר קטע שמתחיל טוב ומאבד כיוון אחרי שלוש שניות, כי המודל אינו יודע מתי אמור לקרות מה. רצף מוגדר של שוטים, כל אחד עם משך ועם תיאור נפרד, מייצר קטע שמחזיק מבנה עד הפריים האחרון. הקוד למטה מדגים תהליך שמפרק תסריט לרצף כזה, מייצר את כל השוטים בממשק התכנות ושומר רישום של מה עלה כמה.

# הפקת רצף שוטים מתסריט מפורק, עם מעקב עלות בשניות
import os
import time
import json
import requests

API = "https://api.openai.com/v1/videos"
KEY = os.environ["OPENAI_API_KEY"]
HEAD = {"Authorization": "Bearer " + KEY}
RATE_PER_SECOND = 0.10

# כל שוט מוגדר בנפרד. משך קצר ותיאור ממוקד עדיפים על תיאור אחד ארוך
STORYBOARD = [
    {"id": "01-open",  "seconds": 6,
     "prompt": "slow push in on an empty modern workspace at dawn, warm light, quiet"},
    {"id": "02-hands", "seconds": 5,
     "prompt": "close shot of hands arranging paper cards on a desk, shallow depth"},
    {"id": "03-wide",  "seconds": 8,
     "prompt": "wide shot, the same workspace now busy, people moving, steady camera"},
]

def submit(shot):
    body = {
        "model": "sora-2",
        "prompt": shot["prompt"],
        "seconds": str(shot["seconds"]),
        "size": "1280x720",
    }
    r = requests.post(API, headers=HEAD, json=body, timeout=120)
    r.raise_for_status()
    return r.json()["id"]

# הייצור אינו מיידי. בודקים מצב במרווחים ולא בלולאה צמודה
def wait_for(video_id, every=10, limit=900):
    waited = 0
    while waited < limit:
        r = requests.get(API + "/" + video_id, headers=HEAD, timeout=60)
        r.raise_for_status()
        state = r.json()
        if state["status"] in ("completed", "failed"):
            return state
        time.sleep(every)
        waited += every
    return {"status": "timeout"}

def download(video_id, path):
    r = requests.get(API + "/" + video_id + "/content", headers=HEAD, timeout=300)
    r.raise_for_status()
    with open(path, "wb") as f:
        f.write(r.content)

def run(out_dir="shots"):
    os.makedirs(out_dir, exist_ok=True)
    ledger = {"shots": {}, "seconds": 0, "cost": 0.0}
    for shot in STORYBOARD:
        video_id = submit(shot)
        state = wait_for(video_id)
        entry = {"video_id": video_id, "status": state["status"]}
        if state["status"] == "completed":
            path = os.path.join(out_dir, shot["id"] + ".mp4")
            download(video_id, path)
            entry["path"] = path
            ledger["seconds"] += shot["seconds"]
            ledger["cost"] += shot["seconds"] * RATE_PER_SECOND
        ledger["shots"][shot["id"]] = entry
    with open(os.path.join(out_dir, "ledger.json"), "w", encoding="utf-8") as f:
        json.dump(ledger, f, ensure_ascii=False, indent=2)
    return ledger

# שלושה דברים שהתהליך לא עושה במקומכם
# שלב 1: לצפות בכל שוט ולפסול ידנית. שוט שנראה תקין בתמונה קפואה עלול להישבר בתנועה
# שלב 2: להחליף את הקול כשהתוכן בעברית, כי הדיבור המשולב חזק רק באנגלית
# שלב 3: לתעד באיזו גרסה נוצר כל שוט, כדי שאפשר יהיה לשחזר סגנון בהמשך

הרישום שנשמר בסוף התהליך אינו קישוט. בהפקה אמיתית מייצרים עשרות שוטים, פוסלים רובם ומגלים אחרי שבוע שצריך לשחזר בדיוק אחד מהם. בלי תיעוד של מה נוצר, מאיזו הוראה ובאיזו גרסה, השחזור הופך לניחוש. עם תיעוד, זה שאילתה אחת בקובץ.

המספר שכדאי לעקוב אחריו הוא היחס בין שניות שיוצרו לשניות שנכנסו לסרטון הסופי. אצל מי שמתחיל היחס נע סביב אחד לשישה, ואחרי חודש של עבודה מסודרת עם רצף שוטים הוא יורד לאחד לשלושה. זה חיסכון של יותר ממחצית התקציב, והוא נובע כולו משיטת העבודה ולא מהכלי. עוד על האופן שבו אני בונה תהליכי הפקה מדידים אפשר לקרוא במרכז הידע באתר.

חסרונות שאתם צריכים לדעת

מכאן לצד הפחות מחמיא, והוא אינו קטן. שישה חסרונות, ושניים מהם עלולים לפסול את הכלי לגמרי עבור עסק ישראלי.

הסעיף הראשון הוא זה שקובע עבור רוב הקוראים כאן, והוא לא מקבל מספיק תשומת לב בסקירות שנכתבות באנגלית. כשהדיבור המשולב הוא הפיצ'ר המרכזי של המוצר, ובעברית הוא אינו שמיש, נשארים עם מודל וידאו מצוין בלי היכולת שבזכותה בחרו בו. זה לא הופך אותו לכלי גרוע, וזה כן משנה את מקומו בערכה: הוא מייצר את הסצנה, וכלי קול נפרד מייצר את הפסקול. מי שמתכנן סביבו הפקה בעברית צריך לתכנן את השלב הזה מראש ולא לגלות אותו באמצע.

היתרונות שעושים את סורה שווה

ומולם, שש סיבות שבגללן הוא הפך בתוך זמן קצר לברירת מחדל אצל יוצרי תוכן.

היתרון שמורגש הכי מהר הוא קיצור השרשרת. הפקה של סרטון קצר כללה עד לא מזמן תסריט, ייצור חזותי, קריינות, אפקטים, מוזיקה ועריכה, כשכל שלב יושב בכלי אחר ואצל אדם אחר. כאן שלושה מהשלבים האלה מתמזגים לאחד. גם כשהתוצאה אינה מושלמת, ההבדל בזמן ובעלות גדול מספיק כדי לשנות מה נחשב כדאי לייצר בכלל. סרטונים שאיש לא היה מפיק בגלל עלות פתאום מקבלים היגיון כלכלי.

יתרון שני שראוי להזכיר נוגע לנראות ולא להפקה. כשמנועי תשובות ורשתות מציגים תוכן חזותי בתוצאות, לעסק שמייצר וידאו קצר באופן סדיר יש נוכחות שקשה להשיג בטקסט בלבד. זו אחת הזוויות שאני בודק עם לקוחות שעוסקים בקידום במנועי תשובות מבוססי בינה מלאכותית, כי נפח הייצור הפך פתאום לחסם נמוך בהרבה. דוגמאות לתהליכים כאלה אפשר לראות בין הפרויקטים שליוויתי לאורך השנים.

מתי לבחור סורה ומתי לבחור אחרת?

שלוש שאלות חורצות את הבחירה: באיזו שפה מדברים בסרטון, כמה שליטה אתם צריכים, ולאיזה ערוץ התוצר מיועד.

# עץ החלטה לבחירת מסלול ייצור וידאו
שאלה 1: יש דיבור בסרטון?
    כן, באנגלית         -->  סורה, הקול המשולב הוא היתרון
    כן, בעברית          -->  סורה לתמונה, כלי קול נפרד לפסקול
    לא, וידאו אילם      -->  כל מודל וידאו, להשוות לפי תנועה

שאלה 2: כמה שליטה צריך?
    שוט מדויק לפי בריף  -->  כלי הפקה מקצועי
    סצנה כללית          -->  סורה
    מציג מול מצלמה      -->  מחולל אווטאר

שאלה 3: לאן זה הולך?
    ערוץ רשמי של מותג   -->  חבילה גבוהה, בלי סימן מים
    רשתות ותוכן שוטף    -->  המנוי הבסיסי מספיק
    ייצור בנפח גדול     -->  ממשק תכנות ותקצוב בשניות

שאלה 4: כמה קטעים בחודש?
    עד 15               -->  ממשק תכנות, זול יותר
    15 עד 100           -->  מנוי חודשי
    מעל 100             -->  ממשק תכנות עם תהליך אוטומטי

הטעות הנפוצה ביותר בהתנסות ראשונה היא לנסות לייצר סרטון שלם בבקשה אחת. אנשים כותבים פסקה שמתארת התחלה, אמצע וסוף, ומקבלים קטע שמתחיל לפי הכתוב וממציא את השאר. הכלי אינו במאי, הוא מבצע שוט. מי שמתייחס אליו כמו למצלמה שמצלמת קטע אחד בכל פעם, ומרכיב מהם רצף, מקבל תוצאה אחרת לגמרי מאותו מודל בדיוק.

נקודה שנייה שקל לפספס: לבדוק את מדיניות התוכן לפני שמתכננים קמפיין ולא אחרי. יש נושאים, סגנונות ודמיון לדמויות מוכרות שנחסמים באופן עקבי, והמדיניות התהדקה מאז ההשקה. תסריט שאושר על ידי לקוח ולא ניתן לייצר הוא סוג התקלה שמייצר שיחות לא נעימות, וחמש דקות של בדיקה מוקדמת מונעות אותה.

השורה התחתונה: האם סורה שווה?

השורה התחתונה כאן מתפצלת לפי שפה, וזה לא דבר שרואים בסקירות שנכתבות מחוץ לישראל. עבור תוכן באנגלית זה כרגע הכלי החזק ביותר בקטגוריה שלו, וקשה לטעון אחרת: הקול המשולב חוסך שלב שלם, איכות התנועה גבוהה, והמחיר לשנייה שפוי. עבור תוכן בעברית זה מודל וידאו מצוין שהיכולת המרכזית שלו אינה שמישה, ולכן הוא נכנס לערכה בתפקיד צר יותר.

הפרופילים שעבורם הוא משתלם ברורים: יוצרי תוכן שמייצרים בקצב גבוה, סוכנויות שמפיקות סרטונים קצרים לרשתות, עסקים שצריכים סצנות המחשה לעמודי מוצר, וצוותים שרוצים לבדוק רעיון חזותי לפני שמזמינים צילום אמיתי. ומנגד, יש מקרים שבהם הוא הבחירה הלא נכונה: הפקה שדורשת התאמה מדויקת לבריף, סרטון שמשלב חומר מצולם קיים, וכל דבר שבו מציג מדבר עברית מול מצלמה.

מי שנכנס לזה עכשיו, כדאי שיעבוד לפי הסדר הבא. ראשית, לקחת תסריט אמיתי שכבר הופק אצלכם בדרך הרגילה ולנסות לשחזר אותו כאן, כי השוואה מול משהו מוכר מגלה יותר מכל ניסוי חופשי. שנית, לפרק אותו לשוטים במקום לתאר אותו בפסקה, ולמדוד כמה ייצורים נדרשו לכל שוט סופי. שלישית, להחליט מראש מי מטפל בקול העברי לפני שמייצרים את השוט הראשון. ליצירת קשר ולקבלת ייעוץ בהקמת מערך הפקת וידאו שמתאים לקצב ולתקציב של העסק.

ולסיום, מבט קדימה: הפער בין וידאו מיוצר לווידאו מצולם נסגר מהר, אבל לא בכל הצירים באותו קצב. תנועה וקומפוזיציה כמעט הגיעו, מגע ופיזיקה עוד לא, ושפות שאינן אנגלית נמצאות הרחק מאחור. מי שבונה תהליך עבודה היום כדאי שיבנה אותו כך שיוכל להחליף רכיב אחד בלי לפרק את השאר, כי הרכיב שחלש היום עשוי להיות החזק בעוד חצי שנה. שאר הסקירות בקטגוריה זמינות באתר של דביר נעמן, וכל אחת מהן בוחנת כלי אחר מאותה זווית מעשית.