SkyReels-V4: Мультимодальная модель для генерации, восстановления и редактирования видео и аудио
SkyReels-V4: Multi-modal Video-Audio Generation, Inpainting and Editing model
February 25, 2026
Авторы: 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
Аннотация
SkyReels V4 — это унифицированная мультимодальная видео-фундаментальная модель для совместного генерации видео и аудио, инпейнтинга и редактирования. Модель использует архитектуру двухпотокового Мультимодального Трансформера с Диффузией (MMDiT), в которой один поток синтезирует видео, а другой генерирует временно выровненное аудио, при этом оба используют общий мощный текстовый энкодер на основе Мультимодальных Больших Языковых Моделей (MMLM). SkyReels V4 принимает богатые мультимодальные инструкции, включая текст, изображения, видеофрагменты, маски и аудиореференсы. Объединяя способность MMLM следовать мультимодальным инструкциям и обучение в контексте в видео-потоке MMDiT, модель может внедрять детальное визуальное руководство при сложных условиях, в то время как аудио-поток MMDiT одновременно использует аудиореференсы для управления генерацией звука. Со стороны видео мы применяем подход конкатенации каналов, который объединяет широкий спектр задач в стиле инпейнтинга, таких как image-to-video, расширение видео и редактирование видео, в единый интерфейс и естественным образом расширяется до инпейнтинга и редактирования на основе визуальных референсов через мультимодальные промпты. SkyReels V4 поддерживает разрешение до 1080p, 32 кадра в секунду и длительность до 15 секунд, что позволяет создавать видео кинематографического уровня с высокой детализацией, несколькими сценами и синхронизированным аудио. Чтобы сделать генерацию в таком высоком разрешении и большой длительности вычислительно осуществимой, мы вводим стратегию эффективности: совместную генерацию полных последовательностей в низком разрешении и ключевых кадров в высоком разрешении с последующим применением специализированных моделей супер-разрешения и интерполяции кадров. Насколько нам известно, SkyReels V4 является первой видео-фундаментальной моделью, которая одновременно поддерживает мультимодальный ввод, совместную генерацию видео и аудио, а также унифицированный подход к генерации, инпейнтингу и редактированию, сохраняя при этом высокую эффективность и качество на кинематографических разрешениях и длительностях.
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.