SkyReels-V2開源：突破視頻生成技術邊界，開啟無限時長電影生成新時代

量子位的朋友們 2025-04-21 10:28:40 來源：量子位

4月21日，昆侖萬維SkyReels團隊正式發(fā)布并開源SkyReels-V2——全球首個使用擴散強迫（Diffusion-forcing）框架的無限時長電影生成模型，其通過結合多模態(tài)大語言模型（MLLM）、多階段預訓練（Multi-stage Pretraining）、強化學習（Reinforcement Learning）和擴散強迫（Diffusion-forcing）框架來實現協(xié)同優(yōu)化。

回顧過去一年，視頻生成技術在擴散模型和自回歸框架的推動下取得了顯著進展，但在提示詞遵循、視覺質量、運動動態(tài)和視頻時長的協(xié)調上仍面臨重大挑戰(zhàn)。

現有技術在提升穩(wěn)定的視覺質量時往往犧牲運動動態(tài)效果，為了優(yōu)先考慮高分辨率而限制視頻時長（通常為5-10秒），并且由于通用多模態(tài)大語言模型（MLLM）無法解讀電影語法（如鏡頭構圖、演員表情和攝像機運動），導致鏡頭感知生成能力不足。這些相互關聯的限制阻礙了長視頻的逼真合成和專業(yè)電影風格的生成。

為了解決這些痛點，SkyReels-V2應運而生，它不僅在技術上實現了突破，還提供多了多種有用的應用場景，包括故事生成、圖生視頻、運鏡專家和多主體一致性視頻生成（SkyReels-A2）。

SkyReels-V2現已支持生成30秒、40秒的視頻，且具備生成高運動質量、高一致性、高保真視頻的能力。

核心技術創(chuàng)新，邁入“無限時長、影視級質量、精準控制”的全新視頻生成階段

圖丨SkyReels-V2方法概述

SkyReels-V2能夠達到這樣的視頻生成效果，源于其多項創(chuàng)新技術：

全面的影視級視頻理解模型：SkyCaptioner-V1

為了提高提示詞遵循能力，團隊設計了一種結構化的視頻表示方法，將多模態(tài)LLM的一般描述與子專家模型的詳細鏡頭語言相結合。這種方法能夠識別視頻中的主體類型、外觀、表情、動作和位置等信息，同時通過人工標注和模型訓練，進一步提升了對鏡頭語言的理解能力。

同時，團隊訓練了一個統(tǒng)一的視頻理解模型 SkyCaptioner-V1，它能夠高效地理解視頻數據，生成符合原始結構信息的多樣化描述。通過這種方式，SkyCaptioner-V1不僅能夠理解視頻的一般內容，還能捕捉到電影場景中的專業(yè)鏡頭語言，從而顯著提高了生成視頻的提示詞遵循能力。此外，這個模型現在已經開源，可以直接使用。

圖丨在視頻理解測試集上的模型綜合性能比較中，SkyCaptioner-V1表現優(yōu)異，超越了SOTA的模型。

針對運動的偏好優(yōu)化

現有的視頻生成模型在運動質量上表現不佳，主要原因是優(yōu)化目標未能充分考慮時序一致性和運動合理性。我們通過強化學習（RL）訓練，使用人工標注和合成失真數據，解決了動態(tài)扭曲、不合理等問題。為了降低數據標注成本，我們設計了一個半自動數據收集管道，能夠高效地生成偏好對比數據對。

通過這種方式，SkyReels-V2在運動動態(tài)方面表現優(yōu)異，能夠生成流暢且逼真的視頻內容，滿足電影制作中對高質量運動動態(tài)的需求。

高效的擴散強迫框架

為了實現長視頻生成能力，我們提出了一種擴散強迫（diffusion forcing）后訓練方法。與從零開始訓練擴散強迫模型不同，我們通過微調預訓練的擴散模型，將其轉化為擴散強迫模型。這種方法不僅減少了訓練成本，還顯著提高了生成效率。

我們采用非遞減噪聲時間表，將連續(xù)幀的去噪時間表搜索空間從?O(1e48) 降低到?O(1e32)，從而實現了長視頻的高效生成。這一創(chuàng)新使得SkyReels-V2能夠生成幾乎無限時長的高質量視頻內容。

漸進式分辨率預訓練與多階段后訓練優(yōu)化

為了開發(fā)一個專業(yè)的影視生成模型，我們的多階段質量保證框架整合了來自三個主要來源的數據：

通用數據集：整合了開源資源，包括Koala-36M、HumanVid，以及從互聯網爬取的額外視頻資源。這些數據提供了廣泛的基礎視頻素材，涵蓋了多種場景和動作。

自收集媒體：包括280,000多部電影和800,000多集電視劇，覆蓋120多個國家（估計總時長超過620萬小時）。這些數據為模型提供了豐富的電影風格和敘事結構。

藝術資源庫：從互聯網獲取的高質量視頻資產，確保生成內容的視覺質量達到專業(yè)標準。

原始數據集規(guī)模達到億級（O(100M)），不同子集根據質量要求在各個訓練階段使用。此外，我們還收集了億級的概念平衡圖像數據，以加速早期訓練中生成能力的建立。在此數據基礎上，我們首先通過漸進式分辨率預訓練建立基礎視頻生成模型，然后進行四階段的后續(xù)訓練增強：

初始概念平衡的監(jiān)督微調（SFT）：通過概念平衡的數據集進行微調，為后續(xù)優(yōu)化提供良好的初始化。

運動特定的強化學習（RL）訓練：通過偏好優(yōu)化提升運動動態(tài)質量。

擴散強迫框架（DF）：實現長視頻生成能力。

高質量SFT：進一步提升視覺保真度。

結合富含影視級別數據和多階段優(yōu)化方法，我們確保了SkyReels-V2在資源有限的情況下，高效的穩(wěn)步提升多方面的表現，達到影視級視頻生成的水準。

在SkyReels-Bench和V-Bench評估中，性能表現卓越

為了全面評估SkyReels-V2的性能，我們構建了SkyReels-Bench用于人類評估，并利用開源的V-Bench進行自動化評估。這種雙重評估框架使我們能夠系統(tǒng)地比較SkyReels-V2和其他最先進的基線模型（包括開源和閉源模型）。

SkyReels-Bench評估

SkyReels-Bench包含1020個文本提示詞，系統(tǒng)性地評估了四個關鍵維度：指令遵循、運動質量、一致性和視覺質量。該基準旨在評估文本到視頻（T2V）和圖像到視頻（I2V）生成模型，提供跨不同生成范式的全面評估。

在SkyReels-Bench評估中，SkyReels-V2在指令遵循方面取得了顯著進展，同時在保證運動質量的同時不犧牲視頻的一致性效果。具體表現如下：

指令遵循：SkyReels-V2在運動指令、主體指令、空間關系、鏡頭類型、表情和攝像機運動的遵循上均優(yōu)于基線方法。

運動質量：在運動動態(tài)性、流暢性和物理合理性方面，SkyReels-V2表現出色，生成的運動內容自然且多樣。

一致性：主體和場景在整個視頻中保持高度一致，運動過程有較高的保真度。

視覺質量：生成視頻在視覺清晰度、色彩準確性和結構完整性上均達到高水平，無明顯扭曲或損壞。

圖丨在SkyReels-Bench的T2V多維度人工評測集下，SkyReels-V2在指令遵循和一致性得到最高水準，同時在視頻質量和運動質量上保持第一梯隊

VBench1.0結果

在VBench1.0自動化評估中，SkyReels-V2在總分（83.9%）和質量分（84.7%）上均優(yōu)于所有對比模型，包括HunyuanVideo-13B和Wan2.1-14B。這一結果進一步驗證了SkyReels-V2在生成高保真、指令對齊的視頻內容方面的強大能力。

圖丨在V-bench1.0的長prompt版本下，SkyReels-V2超越了所有的開源模型，包括HunyuanVideo-13B和Wan2.1-14B

豐富的應用場景，賦能創(chuàng)意實現

SkyReels-V2不僅在技術上實現了突破，還為多個實際應用場景提供了強大的支持：

故事生成

SkyReels-V2能夠生成理論上無限時長的視頻，通過滑動窗口方法，模型在生成新幀時會參考之前生成的幀和文本提示。為了防止錯誤積累，我們采用了穩(wěn)定化技術，通過在之前生成的幀上添加輕微噪聲來穩(wěn)定生成過程。這種方法不僅支持時間上的擴展，還能生成具有連貫敘事的長鏡頭視頻。

通過一系列敘事文本提示，SkyReels-V2能夠編排一個連貫的視覺敘事，跨越多個動作場景，同時保持視覺一致性。這種能力確保了場景之間的平滑過渡，使得動態(tài)敘事更加流暢，而不會影響視覺元素的完整性。這一功能特別適合需要復雜多動作序列的應用，如電影制作和廣告創(chuàng)作。

圖像到視頻合成

SkyReels-V2提供了兩種圖像到視頻（I2V）的生成方法：

• 微調全序列文本到視頻（T2V）擴散模型（SkyReels-V2-I2V）：通過將輸入圖像作為條件注入T2V架構中，模型能夠利用參考幀進行后續(xù)生成。這種方法在384個GPU上僅需10,000次訓練迭代即可取得和閉源模型同等級的效果。
• 擴散強迫模型與幀條件結合（SkyReels-V2-DF）：通過將第一幀作為干凈的參考條件輸入擴散框架，無需顯式重新訓練即可保持時間一致性。

在SkyReels-Bench的I2V多維度人工評測集下，SkyReels-V2在所有質量維度上均優(yōu)于其他開源模型，并與閉源模型表現相當。

攝像導演功能

SkyReels-V2在標注攝像機運動方面表現出色，但我們發(fā)現攝像機運動數據的固有不平衡對進一步優(yōu)化攝影參數提出了挑戰(zhàn)。為此，我們專門篩選了約100萬個樣本，確保基本攝像機運動及其常見組合的平衡表示。通過在384個GPU上進行3,000次迭代的微調實驗，我們顯著提升了攝影效果，特別是在攝像機運動的流暢性和多樣性方面。

元素到視頻生成

基于SkyReels-V2基座模型，我們研發(fā)了SkyReels-A2方案，并提出了一種新的多元素到視頻（E2V）任務，能夠將任意視覺元素（如人物、物體和背景）組合成由文本提示引導的連貫視頻，同時確保對每個元素的參考圖像的高保真度。這一功能特別適合短劇、音樂視頻和虛擬電商內容創(chuàng)作等應用。

作為首個商業(yè)級E2V開源模型，SkyReels-A2在E2V評估Benchmark A2-Bench中的結果表明，其一致性和質量維度上評估與閉源模型相當。未來，我們計劃擴展框架以支持更多輸入模態(tài)，如音頻和動作，旨在構建一個統(tǒng)一的視頻生成系統(tǒng)，以支持更廣泛的應用。

SkyReels-V2的推出標志著視頻生成技術邁入了一個新的階段，為實現高質量、長時間的電影風格視頻生成提供了全新的解決方案。它不僅為內容創(chuàng)作者提供了強大的工具，更開啟了利用AI進行視頻敘事和創(chuàng)意表達的無限可能。

昆侖萬維SkyReels團隊仍致力于推動視頻生成技術的發(fā)展，并將SkyCaptioner-V1和SkyReels-V2系列模型（包括擴散強迫、文本到視頻、圖像到視頻、攝像導演和元素到視頻模型）的各種尺寸（1.3B、5B、14B）進行完全開源，以促進學術界和工業(yè)界的進一步研究和應用。

*本文系量子位獲授權刊載，觀點僅為作者所有