โครงสร้างคำสั่ง (prompt) สำหรับวิดีโอ
คำสั่งวิดีโอที่ดีควรเล่าเหมือนกำลังกำกับหนัง คือบอกให้ครบว่า ใครหรืออะไรกำลังทำอะไรอยู่ (subject + action), แสงเป็นแบบไหน (แสงเช้า แสงนีออน หรือแสงเทียน), กล้องมุมไหนและขยับยังไง (เข้าใกล้แบบโคลสอัพ, กวาดกล้องแบบแพน, หรือค่อย ๆ เลื่อนเข้าแบบดอลลี), แนวภาพเป็นสไตล์อะไร (แบบหนัง แบบสารคดี หรือแบบอนิเมะ) และอยากได้เสียงแบบไหน ยิ่งบอกการเคลื่อนไหวและจังหวะให้ชัด ผลก็ยิ่งออกมาตรงใจ และเพราะเป็นคลิปสั้น ๆ แนะนำให้โฟกัสแค่ฉากเดียวหรือการกระทำหลักอย่างเดียวพอ อย่ายัดหลายอย่างเข้าไป
เสียงเข้าจังหวะ: บทพูดและเสียงประกอบ
จุดเด่นที่สุดของ Sora 2 คือมันใส่เสียงให้เข้าจังหวะกับภาพได้เอง ทั้งบทพูดโต้ตอบ เสียงเอฟเฟกต์ และเสียงบรรยากาศรอบข้าง เวลาสั่งควรบอกสั้น ๆ กระชับ ๆ เพราะคลิปยาวแค่ไม่กี่วินาที ถ้าอยากให้ตัวละครพูด ก็ใส่ประโยคสั้น ๆ ไปเลย แล้วบอกด้วยว่าอยากให้พูดด้วยอารมณ์หรือน้ำเสียงแบบไหน
คุมสไตล์และทำได้หลายช็อต
Sora 2 ทำตามคำสั่งได้หลายช็อตในคลิปเดียว และเก่งขึ้นตรงที่รักษาความต่อเนื่องของสิ่งต่าง ๆ ในฉากได้ดี (world-state คือสภาพของโลกในคลิป เช่น ของที่วางอยู่ตรงไหนก็อยู่ตรงนั้น ไม่หายไปมั่ว ๆ) แถมยังทำได้ทั้งแนวอนิเมะและแนวหนัง เคล็ดลับคือให้ระบุแนวภาพที่อยากได้ให้ชัด ๆ เช่น '2D anime' (การ์ตูนสองมิติ), 'cinematic film' (แบบหนังโรง), 'documentary handheld' (แบบสารคดีถือกล้องเดิน) เพราะคำพวกนี้มีผลกับหน้าตาของคลิปมาก
ข้อจำกัดและการใช้งานจริง
อย่างหนึ่งที่ต้องเข้าใจคือ Sora 2 ทำได้แค่คลิปสั้น ๆ (ประมาณ 10-25 วินาที) ไม่ใช่วิดีโอยาว ๆ เพราะฉะนั้นมันเหมาะกับงานอย่างโฆษณาสั้น คลิปเปิดหัว คลิปลงโซเชียล หรือทำเป็นภาพร่างเล่าเรื่อง (storyboard) เอาไว้พรีเซนต์ไอเดีย ไม่เหมาะกับการทำหนังหรือวิดีโอยาวเต็ม ๆ นอกจากนี้ยังมีข้อจำกัดเรื่องกำลังในการประมวลผล (compute) และโควตาที่ใช้ได้ต่อวัน ส่วนรุ่น Sora 2 Pro ที่คุณภาพสูงกว่านั้นมีให้เฉพาะคนที่ใช้ ChatGPT Pro บนเว็บ sora.com ทางที่ดีคือวางแผนซอยไอเดียออกเป็นคลิปสั้นหลาย ๆ ชิ้น แทนที่จะหวังทำคลิปเดียวยาว ๆ และอย่าลืมตรวจเนื้อหาให้เรียบร้อยด้วย ทั้งเรื่องลิขสิทธิ์และการเอาภาพคนอื่นมาใช้