影片创作迎来新纪元！SkyReels-V2 和 A2 双剑合璧，打破时长壁垒，赋予镜头魔法。用 AI 技术演绎无限创意，让每一帧画面都栩栩如生，低成本打造电影级视觉盛宴。

当前 AI 视频生成领域，普遍面临诸多困境：模型大多数不开源，视频生成长度最多10秒，剧情还没开始就结束了；用户难以二次开发与深度定制；效果一言难尽，让它来个王家卫风格的逆光特写，结果呢，给你整出个表情包；使用门槛高，普通创作者难以驾驭；操作复杂，上手难度大。此外，这些闭源模型的使用成本居高不下，对于预算有限的创作者和团队来说，无疑是巨大的障碍。

全球首个开源 SOTA 无限时长电影级视频的 AI

在 AI 视频生成领域，昆仑万维再次引领行业潮流，继年初开源 SkyReels-V1、A1 后，持续迭代，近期重磅推出 SkyReels-V2 和 SkyReels-A2 两大模型，为创作者带来前所未有的创作自由和强大的技术支持。其中，SkyReels-V2 作为全球首个开源的 SOTA 级无限时长电影级视频生成模型，彻底打破了传统视频生成的时长限制，让创作者能够随心所欲地构建长镜头叙事，为影视创作开辟了全新的可能性。

• 官网地址：https://www.skyreels.ai/home
• GitHub地址：https://github.com/SkyworkAI/SkyReels-V2 & https://github.com/SkyworkAI/SkyReels-A2
• HuggingFace地址：https://huggingface.co/Skywork/SkyReels-V2 & https://huggingface.co/Skywork/SkyReels-A2
• 论文地址： & https://arxiv.org/pdf/2504.02436

SkyReels-V2：无限时长的电影级视频生成

技术架构与训练方法

SkyReels-V2 的核心在于其独特的技术架构和训练方法。它通过多模态大语言模型（MLLM）和子专家模型的结合，精确理解视频内容的结构化描述，包括主体类型、外观、动作、表情、位置等多维度信息，以及镜头类型、角度、位置和相机运动等专业电影元素。这种结构化字幕的设计，使得视频生成能够精准遵循提示词，确保创作意图得到完美呈现。

此外，SkyReels-V2 采用渐进式分辨率预训练和多阶段后训练策略，逐步提升视频生成的质量。从低分辨率的基础训练到高分辨率的精细微调，每一个阶段都经过严格的优化，确保生成视频在视觉质量、动态效果和时长上的卓越表现。而其创新的扩散强迫框架，通过非递减噪声安排，让视频内容能够无限延伸，实现了真正的无限时长电影级视频生成。

---

SkyReels-V2的核心创新

1. 结构化视频表示与高效标注

• 训练了一个统一的视频理解模型 SkyCaptioner-V1：能够高效地标记视频数据，生成符合原始结构信息的多样化描述。通过这种方式，SkyCaptioner-V1不仅能够理解视频的一般内容，还能捕捉到电影场景中的专业镜头语言，从而显著提高了生成视频的提示词遵循能力。此外，这个模型现在也是开源可以直接使用。
• 半自动数据标注：结合人工验证与合成数据，高效标注百万级视频片段，确保训练数据的多样性与专业性。

2. 多阶段渐进式训练

• 三阶段预训练：从低分辨率（256p）到高分辨率（540p），逐步提升模型对基础概念、运动模式和细节纹理的学习能力。
• 强化学习优化运动质量：针对运动失真问题，设计半自动偏好数据生成流程，通过Direct Preference Optimization（DPO）让模型学会生成更自然的动作。
• 扩散强制框架：引入非递减噪声调度（Non-decreasing Noise Schedule），实现稳定训练与无限长度生成。

3. 高效推理优化

• 量化与并行策略：采用FP8量化和多GPU并行，将720p视频生成时间从5分钟缩短至1分钟内。
• 蒸馏技术：通过DMD蒸馏（Distribution Matching Distillation）加速生成，同时保持画质。

---

性能表现

SkyReels-V2 通过自研的高质量数据清洗和人工标注管线，构建了千万级的高质量电影、电视剧、纪录片数据。这不仅确保了模型在人物微表情、肢体动作、场景描述、光影、画面构图等方面的精准理解与生成，还使模型在各项指标上达到了开源 SOTA 级别。如在人物表情生成方面，SkyReels-V2 支持 33 种细腻人物表情与 400 多种自然动作组合，高度还原真人情感表达，生成的视频中人物表演细节丰富且精准。在场景生成方面，基于好莱坞级的高质量影视数据训练，SkyReels-V2 生成的每一帧画面在构图、演员站位、相机角度等都具备电影级的质感。在权威评测基准V-Bench 1.0和自建SkyReels-Bench中，SkyReels-V2展现了全面优势：

• 提示遵循性：在镜头类型、摄像机运动等专业领域准确率超过90%，显著优于现有模型。
• 长视频生成：支持30秒以上的连贯视频生成，并通过滑动窗口与噪声稳定技术减少误差累积。
• 多任务支持：在图像到视频（I2V）、元素组合生成（E2V）等任务中达到闭源模型（如Kling-1.6、Runway Gen-4）的同等水平。

SkyReels-A2：多元素可控的视频生成框架

SkyReels-A2 则专注于多元素视频生成任务，能够将多个视觉元素（如人物、物体、背景）根据文本提示精确地组合成连贯自然的视频。它通过精心设计的数据管道构建文本 - 参考图像 - 视频三元组，利用图像 - 文本联合嵌入模型，将多元素表示注入生成过程，平衡元素特定的一致性与全局连贯性以及文本对齐。

在架构上，SkyReels-A2 采用双流结构处理参考图像，分别提取语义特征和空间特征，并通过交叉注意力层和通道拼接的方式，将这些特征融入到视频扩散模型中。这种设计不仅保留了每个参考元素的保真度，还确保了场景的整体连贯性和自然输出。

SkyReels体验

说了这么多，我还是想动手体验一下SkyReels的视频创作能力，目前这两大模型已被融入到SkyReels官网：https://www.skyreels.ai/

开始创作之前，用户需要在 SkyReels 官方网站注册账号并登录，以获取免费的创作额度。对于需要更高创作质量和速度的用户，平台还提供了升级计划，可享受更强大的功能和更快的生成速度。

视频生成

用户可以选择使用 SkyReels-V2 进行电影级视频创作。点击 AI Video 即可直接创作AI 视频：在平台上输入详细的文本提示词，描述视频的主题、情节、人物、动作、场景等关键信息。然后，根据需要选择视频的时长、分辨率和风格等参数。点击生成按钮后，SkyReels-V2 将基于提示词和参数，自动生成高质量的视频。这是用SkyReels创作的一个30秒视频，仅供欣赏：

短剧创作

除了可以创作长达30秒的视频外，我更感兴趣的是短剧创作，作为一个零经验的技术人员，体验了一把20分钟创作一部短剧的乐趣。

选择 AI Drama，点击 Create，进入的AI短剧的创作页面，SkyReels给了一个自动生成的英文小说剧本：

看起来是一个关于程序员的爽文故事，就直接使用了，然后点击右上角的“Generate Script"，SkyReels帮我自动生成了一个AI 小说剧本：

翻译了一下大概是：

总结 在城市小巷中，艾斯琳格利用她的专长黑入阿德里安的安保系统，揭露企业机密。与此同时，浑然不觉的阿德里安在企业办公室与罗斯讨论安保漏洞，而罗斯怀疑 “Vixen” 的介入。

剧本外景：城市小巷——夜晚 狭窄的小巷中，霓虹灯闪烁。艾斯琳格伪装成她的黑客化身 “Vixen”，蹲在控制面板旁。她的手指在腕戴界面飞舞，访问着禁用代码。难得有闲情散步的阿德里安·托雷斯在小巷入口处停下，被暗影中神秘的科技闪光吸引。

...

继续点击"Generate Character"，SkyReels 自动生成了三个角色：

继续点击"Generate Storyboard"，生成分镜脚本，这个时间稍长，大概用了5分钟左右：

可以逐个点击编辑，没问题的话可以点击"To Video"单独生成视频，或者直接点击"One-Click Video"，将这个场景中的所有分镜脚本转换为视频，这个时间会较长。我测试了一下第3个分镜头的视频生成，配音也有了，很贴心。

如果不想用系统随机提供的故事剧本，也可以自己生成，我直接用中文测试了一下，也会帮我生成英文的小说剧本和角色，很方便。

总之，传统 AI 视频工具往往只能生成简短片段，动作生硬不连贯，且难以理解专业指令。相比之下，SkyReels V2 和 A2 无疑是视频创作领域的重大突破，堪称 AI 短剧创作领域里的 “好莱坞生产线”。

SkyReels V2 拥有无限时长的连续生成能力，彻底打破了时间限制，为创作者提供了广阔的叙事空间。无论是长篇故事还是复杂情节，都能一镜到底，流畅呈现。其动作流畅性更是达到了物理级真实，每一个转身、每一次奔跑都自然流畅，仿佛真人实拍，完全避免了传统 AI 视频中常见的卡顿和僵硬。此外，它还具备极高的智能理解能力，能够精准解析专业指令，无论是复杂的运镜技巧还是一镜到底等高阶拍摄手法，都能一一实现，为创作者提供了前所未有的精准控制。

而 SkyReels A2 则专注于多元素可控视频生成，能够将多个视觉元素精确组合成连贯自然的视频。它能精准理解并执行导演术语，从人物表情控制到特殊运镜技巧，构建出好莱坞级别的叙事逻辑和视觉效果。无论是人物微表情的细腻捕捉，还是光影细节的精致渲染，都能满足创作者对高品质视频的追求。

两者都代表了目前开源模型中的顶尖水平，为视频创作带来了革命性的变化，让创作者能够以极低的成本实现高质量的创意构想。