SkyReels是昆仑万维旗下天工AI团队研发的视频生成大模型系列，自2025年2月首次开源以来，已从面向AI短剧的专项模型，快速演进为覆盖无限时长电影生成、多模态参考生成、音画同步生成、音频驱动数字人的完整视频模型矩阵。截至目前，SkyReels系列已发布并开源V1、V2、V3、V4四个大版本，以及A1、A2、A3三个音频驱动数字人专项模型。
从版本谱系来看，SkyReels系列已发展出以下主要版本线：
V系列（视频生成主线） ：SkyReels-V1（2025年2月18日开源）→ SkyReels-V2（2025年4月21日开源）→ SkyReels-V3（2026年1月29日开源）→ SkyReels-V4（2026年2月27日发布，3月27日正式公开）。
A系列（音频驱动数字人专项） ：SkyReels-A1（2025年上半年发布）→ SkyReels-A2（2025年6月）→ SkyReels-A3（2025年8月11日发布）。
V1是国内首个面向AI短剧创作的开源视频生成模型，支持文生视频和图生视频，专攻表演细节，支持33种细腻人物表情与400+种自然动作组合，在同等分辨率下各项指标实现开源SOTA。V2是全球首个使用扩散强迫框架的无限时长电影生成模型，通过结合多模态大语言模型、多阶段预训练、强化学习和扩散强迫框架实现协同优化，攻克无限时长影视生成难题。V3是“全能型”多模态视频生成模型，涵盖参考图像转视频、视频延长和音频驱动虚拟形象三大核心能力，在单一建模架构中实现高保真多模态视频生成。V4是全球首个同时支持多模态输入、联合音视频生成、统一生成/修复/编辑任务的视频基础模型，采用双流多模态扩散Transformer架构，实现1080p分辨率、32FPS帧率、15秒时长的音视频同步生成。
A1是中国首个开源的SOTA级别基于视频基座模型的表情动作可控算法，破解AI人像“僵硬、无灵魂”的行业痛点。A2是可控视频生成框架，可组装合成视频。A3是全球首个支持分钟级长视频生成的音频驱动模型，以四大技术创新直击直播电商万亿市场痛点。
第二部分：各版本详细对比与拆解
一、V系列核心版本代际对比
维度 SkyReels-V1 SkyReels-V2 SkyReels-V3 SkyReels-V4
发布时间 2025年2月 2025年4月 2026年1月 2026年3月
核心定位 AI短剧创作 无限时长电影 全能多模态 音画一体旗舰
架构 视频基座模型 扩散强迫框架 统一上下文学习框架 双流MMDiT
最长时长 标准 无限时长 30秒（视频延长） 15秒
最高分辨率 标准 540p-720p 720p 1080p
帧率 标准 标准 标准 32 FPS
音画同步 不支持 不支持 支持（Avatar） 支持（原生联合）
参考图像输入 不支持 不支持 1-4张 多帧参考/网格图
视频延长 不支持 支持（无限） 支持（含转场） 支持
开源状态 已开源 已开源 已开源 API开放
核心突破 表情+动作可控 无限时长 三合一全能 音画同步+逻辑推理
V1的核心突破在于“表演”。它针对表演细节做了打标，对情绪、场景、表演诉求等进行处理，利用千万级别、高质量的好莱坞级别数据进行训练微调，可实现影视级人物微表情表演生成。V1不仅是国内最早支持文生视频和图生视频的模型，也是同期开源视频生成模型中参数最大的支持图生视频的模型。
V2的核心突破在于“时长”。它通过扩散强迫框架，将视频生成从“一次性生成固定长度”变为“自回归式持续生成”，使无限时长视频生成成为可能。V2提供1.3B和14B等多种尺寸，累计收获GitHub stars 4.4k，位列GitHub“Awesome Video Diffusion”模型合辑。
V3的核心突破在于“全能”。它将参考图像转视频、视频延长和音频驱动虚拟形象三大能力整合到单一建模架构中，用户无需在多个模型之间切换。在参考图像转视频领域，V3支持1至4张参考图输入，参考一致性得分高达0.6698，视觉质量0.8119，超越了Vidu Q2和Kling 1.6等主流商用模型。视频延长功能内置切入、切出、正反镜头等专业电影转场技术，使AI生成视频从简单的“时间扩展”进化为具备逻辑的“叙事扩展”。
V4的核心突破在于“音画一体”和“逻辑推理”。它采用双流MMDiT架构，通过双向交叉注意力实现音视频深度耦合，并引入RoPE频域缩放与可训练视频稀疏注意力机制，显著降低计算开销。在Artificial Analysis的“文生视频（带音频）”赛道位列全球第一，在“图生视频（带音频）”赛道同样位列全球第一，性能超越Veo 3.1、Sora 2、Vidu Q3及Wan 2.6等主流模型。
二、A系列音频驱动数字人对比
维度 SkyReels-A1 SkyReels-A2 SkyReels-A3
发布时间 2025年上半年 2025年6月 2025年8月
核心定位 表情动作可控 多元素合成 分钟级数字人
核心能力 人像动画、表情驱动 可控视频生成框架 音频驱动长视频生成
最长时长 标准 标准 180秒（分钟级）
运镜控制 不支持 不支持 8种运镜参数
手部动作优化 不支持 不支持 DPO算法优化
推理加速 标准 标准 Step蒸馏（40步→4步）
核心突破 破解僵硬人像 任意元素组装 直播电商数字人
A1是中国首个开源的SOTA级别基于视频基座模型的表情动作可控算法，破解了AI人像“僵硬、无灵魂”的行业痛点，在人像动画和表情驱动功能上实现突破。A2是可控视频生成框架，能够组装任意视觉元素，实现多主体视频合成。A3是全球首个支持分钟级长视频生成的音频驱动模型，通过三路输入处理系统实现文本、图像与音频的深度融合，创新采用分段插帧策略，通过确定起始帧和终止帧生成视频片段，成功将180秒长视频的画面稳定度控制在较高值。
A3首创基于ControlNet的镜头控制模块，支持固定镜头、推镜、拉镜、左摇、右摇、抬升、下降、手持镜头等8种运镜参数，且强度可自由连续调节。通过DPO算法优化手部动作自然度，在带货场景的人工盲测中，89%的人认为A3呈现的动作效果比竞品更真实自然，动作自然性和面部稳定性评分均居行业首位。A3通过Step蒸馏技术将推理步数从40步压缩至4步，画面质量保持率超98%，使视频生成时间缩短至80秒，大幅降低创作者硬件门槛。
三、V4 双流MMDiT架构深度拆解
V4的架构选择是其最核心的差异化。传统视频生成模型采用“先生成静音视频，再单独生成音频”的两步法，音画之间的对齐依赖后期处理，难免存在错位。V4的双流MMDiT架构让视频和音频两条线从任务开始就并肩工作，共享同一个文本理解模型，通过双向交叉注意力机制实现深度耦合。
V4还采用了“低分辨率全序列+高分辨率关键帧”联合生成策略：先快速生成低分辨率完整视频和高分辨率关键帧，再通过专用超分辨率和帧插值模块重构高质量视频。这使得模型能够用相对较少的计算资源生成更高分辨率、更长时间的优质视频，显著降低了用户制作高质量视频的门槛和成本。V4支持包括中英日韩德法语等多个语种的文本合成，其中中文语音合成表现突出，多个指标达到行业领先水平。
第三部分：为什么分这么多版本？
一、场景适配：从AI短剧到全模态内容生产的全链条覆盖
SkyReels的版本分化遵循一条清晰的“任务-场景-交付”演进路径。V1管AI短剧创作，V2管无限时长电影生成，V3管多模态参考与视频延长，V4管音画一体旗舰生成，A1管人像表情动画，A2管多主体视频合成，A3管直播电商数字人。每个版本在各自领域做到极致。
这一分层的核心价值在于场景精度的匹配。短剧创作者使用V1的33种表情和400+动作组合即可满足角色表演需求；电影制作团队使用V2的无限时长能力完成长片叙事；电商团队使用V3的参考图像转视频快速生成商品广告；直播运营使用A3的分钟级数字人实现7×24小时不间断带货；影视团队使用V4的音画一体能力产出接近成片质量的视频内容。
正如昆仑万维董事长兼CEO方汉所说：“AI短剧掀起了内容供给端的生产力变革，优质创意人才将成为行业最稀缺的核心资源。”版本分化的本质是AI视频能力在不同内容生产场景中的逐步深化。
二、技术路线跃迁：从DiT到扩散强迫再到双流MMDiT
SkyReels的技术路线经历了三次明确跃迁。V1基于视频基座模型和DiT架构，通过好莱坞级数据训练验证了AI短剧创作的可行性。V2引入扩散强迫框架，将视频生成从“一次性固定长度”变为“自回归式持续生成”，实现了无限时长电影生成。V4则采用双流MMDiT架构，通过双向交叉注意力实现音视频深度耦合，并引入全模态强化学习为AI注入逻辑推理能力。
这一演进方向反映了昆仑万维对AI视频生成趋势的判断：当生成质量达到一定水平后，用户最稀缺的资源从“画质”转向“音画同步”和“逻辑连贯”。方汉指出，“AI做大场面反而容易，真正难的是小众场景和真人面部”。
三、开源战略：以开放构建全球开发者生态
SkyReels系列采取了全面的开源策略。V1、V2、V3均以开源形式发布，A1、A2也开源了权重和推理代码。截至目前，SkyReels系列开源模型在HuggingFace中的累计总下载量近30万次，GitHub stars累计超10k，获得开源社区、海内外AI机构组织、科研学者等AI从业者和开发者的广泛关注。
V4则转向API开放模式，面向全场景开放API能力，核心能力完整覆盖文生视频、图生视频、多模态参考生成、视频编辑与修复、音画联合生成等功能，支持灵活的参数配置，满足不同场景的定制化需求。这一策略的精妙之处在于：开源版本作为技术标杆吸引开发者构建应用生态，当模型能力从“生成”升级到“影视级交付”后，通过API服务实现商业变现。
四、AI短剧工业化战略的深度推进
SkyReels的版本分化最终服务于昆仑万维的AI短剧工业化战略。方汉表示：“依托SkyReels-V4，我们实现了短剧从剧本、拍摄、剪辑到全球分发的全流程AI化。”技术落地让单部短剧制作周期压缩超70%，生产效率提升超200%。同时，AI可在6小时内完成剧集多语种翻译、配音、字幕制作，适配18种语言全球同步上线，大幅缩短国产短剧出海发行周期。
2026年一季度，昆仑万维短剧和AI短剧平台业务单月流水超4800万美元，ARR超5.7亿美元。DataEye研究院数据显示，2026年前4个月，海外短剧素材榜TOP100中，AI剧/漫剧占比由1月份的2%增长至4月份的28%，AI剧/漫剧出海持续升温。
第四部分：最著名版本——SkyReels V4 API 接入实战
SkyReels V4是系列中具有里程碑意义的版本，双流MMDiT架构、1080p/32FPS/15秒音视频同步生成、全模态强化学习使其成为当前音画一体视频生成的首选基座。以下为完整的API接入步骤。
步骤一：环境准备与API密钥获取
前置条件：
昆仑万维天工AI开发者账号（访问 api.skycoding.ai 注册）
或通过apifree.ai平台调用（SkyReels-V3限时免费）
Python 3.12+ 开发环境
CUDA 12.8+（本地部署需要）
获取API密钥：登录 api.skycoding.ai，在控制台创建API Key。
步骤二：克隆仓库与安装依赖（本地部署）
bash
git clone https://github.com/SkyworkAI/SkyReels-V3
cd SkyReels-V3
pip install -r requirements.txt
如需本地部署V4模型，需确保环境满足Python 3.12+和CUDA 12.8+的要求。
步骤三：基础文生视频调用
python
import requests
import time
API_KEY = "your-api-key"
BASE_URL = "https://api.skycoding.ai/v1"
# 创建文生视频任务
response = requests.post(
f"{BASE_URL}/videos/text2video",
headers={
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
},
json={
"model": "skyreels-v4",
"prompt": "电影级画面：一只白鹤在晨雾中的湖面上缓缓起飞，"
"羽毛细节清晰，光影柔和，镜头缓慢拉远展现湖光山色",
"resolution": "1080p",
"duration": 15,
"fps": 32,
"audio": True
}
)
task_id = response.json()["task_id"]
print(f"任务已创建：{task_id}")
步骤四：多模态参考生成
V4支持多帧参考、网格图参考等高阶能力，可实现多主体一致性视频生成：
python
# 多模态参考生成
response = requests.post(
f"{BASE_URL}/videos/reference2video",
headers={
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
},
json={
"model": "skyreels-v4",
"prompt": "在温馨的客厅里，人物坐在沙发上，微笑着拿起身旁的商品，"
"然后将商品举到镜头前展示，阳光从窗户洒进来",
"reference_images": [
"https://example.com/character_ref.png",
"https://example.com/product_ref.png"
],
"resolution": "1080p",
"duration": 10,
"audio": True
}
)
步骤五：音频驱动虚拟形象
V4的音频驱动虚拟形象能力可从单张肖像图和一段音频片段生成高质量视频，支持分钟级长视频生成：
python
# 音频驱动数字人生成
response = requests.post(
f"{BASE_URL}/videos/avatar",
headers={
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
},
json={
"model": "skyreels-v3-avatar", # 或skyreels-v4-avatar
"image_url": "https://example.com/portrait.png",
"audio_url": "https://example.com/speech.mp3",
"resolution": "720p",
"duration": 60
}
)
注意：SkyReels要求音频文件使用可公开访问的HTTPS URL，不能直接处理base64数据URI。
步骤六：视频延长与转场
V3/V4的视频延长功能支持从5秒平滑扩展到30秒，内置切入、切出、多角度切换、正反镜头等专业电影转场效果：
python
# 视频延长
response = requests.post(
f"{BASE_URL}/videos/extend",
headers={
"Authorization": f"Bearer {API_KEY}",
"Content-Type": "application/json"
},
json={
"model": "skyreels-v4",
"video_url": "https://example.com/original_5s.mp4",
"prompt": "镜头缓缓拉远，展现整个城市天际线的黄昏景色",
"target_duration": 30,
"transition_type": "cut_in" # 切入转场
}
)
步骤七：查询任务状态与获取结果
python
while True:
status_response = requests.get(
f"{BASE_URL}/videos/tasks/{task_id}",
headers={"Authorization": f"Bearer {API_KEY}"}
)
status = status_response.json()["status"]
if status == "completed":
video_url = status_response.json()["data"]["video_url"]
print(f"视频生成成功：{video_url}")
break
elif status == "failed":
print("视频生成失败")
break
time.sleep(10)
步骤八：监控与成本优化
关键指标监控：
分辨率：720p / 1080p
帧率：最高32 FPS
时长：最长15秒（V4），最长200秒（V3 Avatar）
音画同步：启用后自动生成对白、音效和背景音乐
降本策略：对快速原型使用540p分辨率；对标准输出使用720p；对高质量交付使用1080p。V4的“低分辨率全序列+高分辨率关键帧”策略已自动优化计算效率，无需额外配置。
第五部分：不同版本的实践成果
案例一：AI短剧全流程工业化生产（基于SkyReels-V4）
昆仑万维依托SkyReels-V4实现了短剧从剧本、拍摄、剪辑到全球分发的全流程AI化。2026年一季度，公司短剧和AI短剧平台业务单月流水超4800万美元，ARR超5.7亿美元，稳居行业第一梯队。
实践成效：技术落地让单部短剧制作周期压缩超70%，生产效率提升超200%。AI可在6小时内完成剧集多语种翻译、配音、字幕制作，适配18种语言全球同步上线，大幅缩短国产短剧出海发行周期。方汉指出，行业正从“拼产能”走向“拼审美”，“真正能破亿的爆款概率已不足千分之一，擅长优质内容创作、成熟叙事的创意人才正成为行业最核心的稀缺资产”。
案例二：演员王珞丹与黄晓明的AI短片创作实践（基于SkyReels V4）
在2026年WAIC昆仑万维《世界模型与多模态范式跃迁》主题论坛上，演员王珞丹分享了自己手搓AI短片的经历——从深夜12点一直搓到凌晨4点寻找想要的镜头。黄晓明则分享了作为观察者的感受：“三个月前看一部AI电影还能看出AI的痕迹，三个月后，即便告诉我那是AI我都已经看不出来了，脸上的斑点毛孔，甚至微表情，我觉得都在演戏。”
实践成效：这一案例的核心价值在于验证了SkyReels V4在专业演员创作场景中的可用性。王珞丹的“抽卡”体验反映了AI视频创作对提示词精度的要求，而黄晓明的观察则代表了行业对AI视频质量进步速度的直观感受。方汉对此的回应——“让你熬夜去抽，说明我们模型的遵从性和易用性还有很大的改进空间”——体现了昆仑万维对产品体验持续优化的态度。
案例三：马斯克AI带货短片与虚拟主播生成（基于SkyReels-V3）
SkyReels V3发布后，机器之心实测了其多模态参考生成能力。上传马斯克照片和商品图，输入提示词后，模型生成了马斯克在温馨客厅中坐在沙发上拿起商品展示的视频。即使更换了背景，马斯克面部特征也保持高度一致，未出现扭曲或“换脸”，动作自然流畅，商品展示角度恰到好处。V3还支持仅用一张虚拟主播照片配上音频，生成口型精准、表情生动的主播视频，可像专业导演一样为视频设计切入、切出、正反打等电影级转场效果。
实践成效：V3的参考一致性得分0.6698、视觉质量0.8119，两个核心指标直接超越了市面上的主流商业模型。这一案例代表了SkyReels V3在虚拟IP创建和电商内容生产场景中的落地价值——创作者可以用1到4张参考图加一句文本指令，快速搭建自己的虚拟IP并批量生产内容矩阵。
案例四：直播电商数字人7×24小时不间断带货（基于SkyReels-A3）
SkyReels-A3是全球首个支持分钟级长视频生成的音频驱动模型，通过四大技术创新直击直播电商万亿市场痛点。A3支持180秒长视频的画面稳定生成，首创基于ControlNet的镜头控制模块支持8种运镜参数，通过DPO算法优化手部动作自然度。
实践成效：人工盲测验证了A3的显著优势——在带货场景中，89%的人认为A3呈现的动作效果比竞品更真实自然，动作自然性和面部稳定性评分两项关键指标均居行业首位。通过Step蒸馏技术将推理步数从40步压缩至4步，画面质量保持率超98%，视频生成时间缩短至80秒，大幅降低了创作者硬件门槛。这一案例代表了SkyReels在直播电商和虚拟直播场景中的工业化落地能力——不是“生成一段展示视频”，而是“持续生成可用的直播内容”。
版权声明：本平台仅提供信息存储空间服务，用户发布内容不代表本站观点，交易风险自担；侵权违法内容请立即举报（邮箱：37996619@qq.com），本站接通知后先行屏蔽，责任由发布者承担。