SkyReels-V4: Multi-modellair model voor video-audiogeneratie, -inpainting en -bewerking
SkyReels-V4: Multi-modal Video-Audio Generation, Inpainting and Editing model
February 25, 2026
Auteurs: 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
Samenvatting
SkyReels V4 is een uniform multimodaal videofundamentmodel voor gezamenlijke video-audiogeneratie, -inpaining en -bewerking. Het model hanteert een dual-stream Multimodal Diffusion Transformer (MMDiT)-architectuur, waarbij de ene tak video synthetiseert en de andere temporeel uitgelijnde audio genereert, terwijl ze een krachtige tekstencoder delen gebaseerd op Multimodale Large Language Models (MMLM). SkyReels V4 accepteert rijke multimodale instructies, waaronder tekst, afbeeldingen, videofragmenten, masks en audioreferenties. Door de multimodale instructievolgcapaciteit van MMLMs te combineren met in-context learning in de MMDiT-videotak, kan het model fijnmazige visuele begeleiding injecteren onder complexe conditionering, terwijl de MMDiT-audiotak tegelijkertijd audioreferenties benut om geluidsgeneratie te sturen. Aan videokant hanteren we een formulering via kanaalconcatenatie die een breed scala aan inpainting-stijltaken, zoals image-to-video, videoverlenging en videobewerking, verenigt onder een enkele interface, en zich natuurlijk uitstrekt tot visueel gerefereerde inpainting en bewerking via multimodale prompts. SkyReels V4 ondersteunt resoluties tot 1080p, 32 FPS en een duur van 15 seconden, waardoor hoogwaardige, multi-shot, cinema-level videogeneratie met gesynchroniseerde audio mogelijk is. Om dergelijke hoogresolutie, langdurige generatie computationeel haalbaar te maken, introduceren we een efficiëntiestrategie: gezamenlijke generatie van lageresolutie volledige sequenties en hogeresolutie keyframes, gevolgd door toegewijde superresolutie- en frame-interpolatiemodellen. Voor zover wij weten, is SkyReels V4 het eerste videofundamentmodel dat gelijktijdig multimodale input, gezamenlijke video-audiogeneratie en een uniforme behandeling van generatie, inpainting en bewerking ondersteunt, terwijl het sterke efficiëntie en kwaliteit handhaaft bij cinematografische resoluties en duur.
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.