SkyReels-V4: Multimodales Video-Audio-Generierungs-, Inpainting- und Bearbeitungsmodell
SkyReels-V4: Multi-modal Video-Audio Generation, Inpainting and Editing model
February 25, 2026
papers.authors: Guibin Chen, Dixuan Lin, Jiangping Yang, Youqiang Zhang, Zhengcong Fei, Debang Li, Sheng Chen, Chaofeng Ao, Nuo Pang, Yiming Wang, Yikun Dou, Zheng Chen, Mingyuan Fan, Tuanhui Li, Mingshan Chang, Hao Zhang, Xiaopeng Sun, Jingtao Xu, Yuqiang Xie, Jiahua Wang, Zhiheng Xu, Weiming Xiong, Yuzhe Jin, Baoxuan Gu, Binjie Mao, Yunjie Yu, Jujie He, Yuhao Feng, Shiwen Tu, Chaojie Wang, Rui Yan, Wei Shen, Jingchen Wu, Peng Zhao, Xuanyue Zhong, Zhuangzhuang Liu, Kaifei Wang, Fuxiang Zhang, Weikai Xu, Wenyan Liu, Binglu Zhang, Yu Shen, Tianhui Xiong, Bin Peng, Liang Zeng, Xuchen Song, Haoxiang Guo, Peiyu Wang, Yahui Zhou
cs.AI
papers.abstract
SkyReels V4 ist ein einheitliches multimodales Video-Foundation-Modell für die gemeinsame Video-Audio-Generierung, Inpainting und Bearbeitung. Das Modell verwendet eine Dual-Stream-Multimodal Diffusion Transformer (MMDiT)-Architektur, bei der ein Zweig Video synthetisiert und der andere zeitlich abgestimmten Audio generiert, während beide einen leistungsstarken, auf Multimodalen Large Language Models (MMLM) basierenden Text-Encoder gemeinsam nutzen. SkyReels V4 akzeptiert umfangreiche multimodale Anweisungen, einschließlich Text, Bildern, Videoclips, Masken und Audio-Referenzen. Durch die Kombination der multimodalen Befolgungskapazität von MMLMs mit In-Context-Learning im Video-MMDiT-Zweig kann das Modell feinkörnige visuelle Anleitungen unter komplexen Bedingungen einspielen, während der Audio-MMDiT-Zweig gleichzeitig Audio-Referenzen zur Steuerung der Klangerzeugung nutzt. Auf der Video-Seite verwenden wir eine Kanalverkettungs-Formulierung, die eine Vielzahl von Inpainting-Aufgaben, wie Bild-zu-Video, Video-Verlängerung und Video-Bearbeitung, unter einer einzigen Schnittstelle vereinheitlicht und sich natürlich auf visuell referenziertes Inpainting und Bearbeitung durch multimodale Prompts erweitert. SkyReels V4 unterstützt bis zu 1080p-Auflösung, 32 FPS und 15 Sekunden Dauer, was eine hochwertige, mehrszenige, kinoreife Videogenerierung mit synchronisiertem Audio ermöglicht. Um eine solche Hochauflösungs- und Langzeitgenerierung rechenpraktikabel zu machen, führen wir eine Effizienzstrategie ein: Gemeinsame Generierung von Vollsequenzen in niedriger Auflösung und Hochauflösungs-Keyframes, gefolgt von dedizierten Super-Resolution- und Frame-Interpolations-Modellen. Unseres Wissens ist SkyReels V4 das erste Video-Foundation-Modell, das gleichzeitig multimodale Eingabe, gemeinsame Video-Audio-Generierung und eine einheitliche Behandlung von Generierung, Inpainting und Bearbeitung unterstützt, dabei hohe Effizienz und Qualität bei kinotauglichen Auflösungen und Laufzeiten beibehält.
English
SkyReels V4 is a unified multi modal video foundation model for joint video audio generation, inpainting, and editing. The model adopts a dual stream Multimodal Diffusion Transformer (MMDiT) architecture, where one branch synthesizes video and the other generates temporally aligned audio, while sharing a powerful text encoder based on the Multimodal Large Language Models (MMLM). SkyReels V4 accepts rich multi modal instructions, including text, images, video clips, masks, and audio references. By combining the MMLMs multi modal instruction following capability with in context learning in the video branch MMDiT, the model can inject fine grained visual guidance under complex conditioning, while the audio branch MMDiT simultaneously leverages audio references to guide sound generation. On the video side, we adopt a channel concatenation formulation that unifies a wide range of inpainting style tasks, such as image to video, video extension, and video editing under a single interface, and naturally extends to vision referenced inpainting and editing via multi modal prompts. SkyReels V4 supports up to 1080p resolution, 32 FPS, and 15 second duration, enabling high fidelity, multi shot, cinema level video generation with synchronized audio. To make such high resolution, long-duration generation computationally feasible, we introduce an efficiency strategy: Joint generation of low resolution full sequences and high-resolution keyframes, followed by dedicated super-resolution and frame interpolation models. To our knowledge, SkyReels V4 is the first video foundation model that simultaneously supports multi-modal input, joint video audio generation, and a unified treatment of generation, inpainting, and editing, while maintaining strong efficiency and quality at cinematic resolutions and durations.