Sora2 的系统提示，据我所了解： - 指导 GPT 先生成视频的元数据 - 然后指导它生成视频字幕 - 接着要求它生成“你想象的音频” 据我所知，似乎有一个协调的 LLM 起草了音频描述/时间线，然后由合成器实现