新智元報(bào)道

編輯：犀牛 KingHZ

【新智元導(dǎo)讀】超越主流商業(yè)模型！SkyReels-V3在參考一致性、視頻質(zhì)量上碾壓對(duì)手，構(gòu)建200組測(cè)試基準(zhǔn)，影視、電商、廣告場(chǎng)景全覆蓋，真正降維打擊。

起猛了！

馬斯克和孫悟空同框了。

更離譜的是：這種「真假難辨」的視頻，現(xiàn)在一張圖 + 幾句話就能做出來。

不僅普通創(chuàng)作者能直接上手，而且開發(fā)者也能二次開發(fā)。

作為迭代自V1（AI短劇創(chuàng)作）、V2（無限時(shí)長(zhǎng)電影生成）的重磅版本，昆侖天工SkyworkAI團(tuán)隊(duì)正式開源了多模態(tài)視頻生成模型SkyReels-V3：

論文：https://arxiv.org/abs/2601.17323

開源：https://github.com/SkyworkAI/SkyReels-V3

API鏈接（限時(shí)免費(fèi)）：https://www.apifree.ai/model/skywork-ai/skyreels-v3/standard/single-avatar

這不僅僅是一個(gè)模型的發(fā)布，更像是一場(chǎng)對(duì)現(xiàn)有AI視頻工具的「降維打擊」。

AI視頻創(chuàng)作三大難事，

一次做全了

以前做AI視頻，你需要在A模型生圖、B模型動(dòng)效、C模型對(duì)口型之間反復(fù)橫跳。

而SkyReels-V3這次主打一個(gè)全能通吃，在一個(gè)架構(gòu)里搞定三大核心能力：

1）參考圖像轉(zhuǎn)視頻：給1–4張圖+文本指令，生成多主體視頻。重點(diǎn)是： 主角不亂變，告別抽卡式創(chuàng)作。

2）視頻延長(zhǎng)：把5秒鏡頭擴(kuò)到30秒，還能加轉(zhuǎn)場(chǎng)。重點(diǎn)是： 畫面連續(xù)、動(dòng)作不「抽幀」。

3）音頻驅(qū)動(dòng)虛擬形象：一張肖像+一段音頻，生成分鐘級(jí)視頻。重點(diǎn)是： 嘴型對(duì)得上、人物穩(wěn)得住 。

AI視頻的門檻正在被鏟平：創(chuàng)作者拿到的是趁手的工具，開發(fā)者拿到的是萬能的模塊。

參考圖像轉(zhuǎn)視頻：主角就是主角

如果一個(gè)電商運(yùn)營(yíng)今晚就要把新品視頻上架，但他現(xiàn)在手里只有三張圖：商品主圖、模特上身圖、品牌Logo。

傳統(tǒng)做法？要么找外包燒錢，要么自己用剪輯軟件硬搓。

SkyReels-V3的玩法則是：1到4張參考圖+一句文本指令，等待幾分鐘，一條15秒的高保真產(chǎn)品廣告就生成了。

直出一段多主體、高連貫的視頻。

你可以這么下指令：

• 模特拿起商品轉(zhuǎn)身展示，鏡頭從近景推到中景，背景保持干凈明亮。

• Logo始終在右下角，商品紋理要清晰，動(dòng)作別抽搐。

它要解決的不是「會(huì)動(dòng)」，而是更難的事：「像同一個(gè)人、同一個(gè)商品、在同一個(gè)世界里連續(xù)發(fā)生」。

在SkyReels-V3眼里，參考圖像不再只是靈感，而是一份「身份合同」——主角簽了字，就別想臨場(chǎng)變臉。

其參考一致性得分高達(dá)0.6698，視覺質(zhì)量0.8119，這兩個(gè)核心指標(biāo)，直接超越了市面上的主流商業(yè)模型。

比如，讓馬斯克免費(fèi)給你帶貨，或者生成一段極具質(zhì)感的運(yùn)動(dòng)鞋廣告：

沒有任何詭異的形變，只有絲滑的商業(yè)級(jí)質(zhì)感。

1簡(jiǎn)潔明亮的展區(qū)內(nèi)，柔和的燈光均勻?yàn)⒙�，周圍擺放著一些運(yùn)動(dòng)相關(guān)的小物件。一位身穿黑色上衣的男士正仔細(xì)地向大家展示一雙設(shè)計(jì)簡(jiǎn)潔、配色亮麗的運(yùn)動(dòng)鞋。

之前，Gemini 3生成的硅谷巨頭大合照，很火很逼真：

現(xiàn)在，SkyReel-V3直接讓圖片動(dòng)起來了──

這質(zhì)量，這還原度，這一致性，真不是吹！

視頻延長(zhǎng)：5秒變30秒， AI 學(xué)會(huì)了「導(dǎo)演思維」

做過視頻的人都知道，視頻延長(zhǎng)是個(gè)技術(shù)活。

你有一個(gè)5秒的空鏡頭，氛圍很好，但太短了。

傳統(tǒng)做法要么重拍，要么靠后期「魔法」——變速、復(fù)制幀、加特效遮掩，但怎么弄都有點(diǎn)假。

SkyReels-V3的視頻延長(zhǎng)功能，不僅可以把5秒的素材平滑擴(kuò)展到30秒，更絕的是，它「懂鏡頭語言」。

它內(nèi)置了5種專業(yè)轉(zhuǎn)場(chǎng)效果：切入、切出、多角度切換、正反鏡頭、切離。

比如，第一個(gè)視頻延長(zhǎng)到15秒:

你不只是在「拉長(zhǎng)」視頻，而是在即時(shí)即興剪輯。

比如，將一段小姐姐騎車的3秒視頻延長(zhǎng)到9秒：

視頻延展后，無論小姐姐的主體還是視頻背景，都完美保持一致，仿佛攝影師真的扛著攝像機(jī)跟拍了一路。

再比如，我們將這個(gè)林妹妹與魯智深對(duì)話的腦洞視頻，加入「多角度切換」的轉(zhuǎn)場(chǎng)。

The two people sat facing each other and talked.

這種人物一致性，簡(jiǎn)直絕了。

Switch to a long shot, with the two people talking face to face.

從技術(shù)上說，這得益于它的「統(tǒng)一多分段位置編碼」和「魯棒時(shí)空建�！�。

聽起來很硬核，本質(zhì)上就是讓AI理解了視頻里的「時(shí)間邏輯」和「空間關(guān)系」，所以延長(zhǎng)出來的內(nèi)容才會(huì)順滑如絲，沒有那種AI常見的時(shí)空扭曲感。

一句話：SkyReels-V3把素材不足從一場(chǎng)災(zāi)難，變成了一個(gè)可控的工程問題。

音頻驅(qū)動(dòng)虛擬形象：一張圖+一段聲就能「開口說話」

這是SkyReels-V3最讓人興奮的能力之一。

輸入一張人像照片，再配上一段音頻——

可以是你的錄音，可以是AI合成的語音，甚至可以是一段采訪素材。

模型會(huì)生成一段視頻，讓照片里的人瞬間「活過來」：

嘴唇動(dòng)作和音頻精準(zhǔn)同步，表情自然變化，頭部還有輕微的擺動(dòng)，仿佛真人在鏡頭前呼吸。

比如，一張小姐姐的圖片加上一小段音頻，就能生成小姐姐唱歌的片段。

最厲害的是，它不挑食。

不只是真人照片，卡通角色、動(dòng)物形象、二次元立繪，統(tǒng)統(tǒng)可以驅(qū)動(dòng)。

比如，使用一張小狗照片+一段音頻，就可以一步生成「小狗深情演唱」的視頻，時(shí)長(zhǎng)甚至支持分鐘級(jí)生成。

你甚至可以讓兩個(gè)角色在同一個(gè)畫面里對(duì)話。

只需上傳一張圖片加上幾段音頻，SkyReels-V3便能夠自行判斷出音頻對(duì)應(yīng)的人物，在說話和聆聽狀態(tài)之間自然切換。

SkyReels-V3這項(xiàng)能力的音視頻同步性得分高達(dá)8.18，視覺質(zhì)量4.60，比肩甚至超越了行業(yè)頂尖的OmniHuman 1.5。

為什么是SkyReels-V3？

領(lǐng)先三大維度

在AI視頻生成領(lǐng)域，「全能選手」向來稀缺。

SkyReels-V3的出現(xiàn)，打破了這一格局——它是目前少數(shù)能在單一架構(gòu)內(nèi)同時(shí)實(shí)現(xiàn)參考圖像生成視頻、視頻延展、音頻驅(qū)動(dòng)虛擬人三大核心能力的模型。

SkyReels-V3敢稱行業(yè)標(biāo)桿，底氣何在？

在最考驗(yàn)硬實(shí)力的參考圖像轉(zhuǎn)視頻領(lǐng)域，SkyReels研究團(tuán)隊(duì)構(gòu)建了一個(gè)包含200組測(cè)試數(shù)據(jù)的評(píng)估基準(zhǔn)，涵蓋影視、電商、廣告等多元場(chǎng)景，參考圖像類型覆蓋人物、動(dòng)物、物體和背景。

結(jié)果顯示，在參考一致性、視頻質(zhì)量這兩個(gè)核心指標(biāo)上，SkyReels-V3直接超越了市面上的主流商業(yè)模型。

作為一個(gè)開源模型，這是對(duì)閉源陣營(yíng)的一次強(qiáng)力挑戰(zhàn)。

視頻延展是SkyReels-V3的另一大殺手锏。

為實(shí)現(xiàn)這一能力，研究團(tuán)隊(duì)開發(fā)了鏡頭切換檢測(cè)器，可分析長(zhǎng)視頻中是否存在轉(zhuǎn)場(chǎng)及其類型。

配合統(tǒng)一的多片段位置編碼和分層數(shù)據(jù)訓(xùn)練，模型能夠精準(zhǔn)建模運(yùn)動(dòng)軌跡，在復(fù)雜的多片段視頻延展中實(shí)現(xiàn)平滑過渡。

輸出支持720p分辨率，單鏡頭延展時(shí)長(zhǎng)可達(dá)30秒，支持1:1、3:4、4:3、16:9、9:16等多種畫幅比例。

在音頻驅(qū)動(dòng)虛擬形象生成領(lǐng)域，SkyReels-V3同樣表現(xiàn)亮眼。

音視頻同步性得分8.18，視覺質(zhì)量4.60。這些數(shù)據(jù)比肩甚至在部分指標(biāo)上超越了行業(yè)頂尖的OmniHuman 1.5。

虛擬形象生成的難點(diǎn)在于唇形同步和長(zhǎng)時(shí)序穩(wěn)定性。

SkyReels-V3支持720p、24fps的高清視頻輸出，唇部動(dòng)作能夠精準(zhǔn)對(duì)齊音素級(jí)別的音頻動(dòng)態(tài)。

更關(guān)鍵的是，它支持分鐘級(jí)視頻的單次生成——不是靠多段拼接，而是一次性前向推理完成，全程保持身份一致、動(dòng)作連貫、表情穩(wěn)定。這使它天然適用于教學(xué)視頻、新聞播報(bào)、長(zhǎng)篇故事等場(chǎng)景。

值得一提的是，SkyReels-V3還支持多人場(chǎng)景。

在對(duì)話場(chǎng)景中，角色能夠正確響應(yīng)對(duì)話音頻，在說話和聆聽狀態(tài)之間自然切換。

SkyReels-V3是真開源

市面上做AI視頻生成的模型不少，但SkyReels-V3是真開源。

很多所謂的「開源」模型，要么只開放部分權(quán)重，要么限制商用，要么文檔稀爛根本跑不起來。

SkyReels-V3是完整開源，代碼托管在GitHub，支持個(gè)人和企業(yè)自由下載、本地部署、定制改造。

對(duì)于中小團(tuán)隊(duì)來說，這意味著零成本獲得頂級(jí)AI視頻能力的可能。無需支付高昂的API調(diào)用費(fèi)用，無需擔(dān)心數(shù)據(jù)隱私問題，完全可以在自己的服務(wù)器上跑通全流程。

如果你是開發(fā)者：你要的可能不是「看Demo」，而是把能力接進(jìn)流程。

把SkyReels-V3當(dāng)成一個(gè)模塊，接到你的腳本生成、素材管理、投放系統(tǒng)里——這就是開源生態(tài)的意義。

最后，真正能把開源模型做成「生態(tài)」的，從來不是發(fā)布那一刻，而是你把作品發(fā)出來的那一刻。

下載、跑通、生成第一條視頻，然后把你的prompt和結(jié)果分享出來——

讓更多人站在你的肩膀上繼續(xù)迭代。

視頻創(chuàng)作的「奇點(diǎn)」時(shí)刻

從V1的短劇嘗試，到V2的電影夢(mèng)想，再到今天V3的全能爆發(fā)，SkyworkAI團(tuán)隊(duì)正在用技術(shù)填平專業(yè)視頻制作的溝壑。

SkyReels-V3的出現(xiàn)，標(biāo)志著高保真、長(zhǎng)時(shí)長(zhǎng)、多模態(tài)的視頻生成能力正式從「嘗鮮」走向「實(shí)用」。它把原本屬于專業(yè)工作室的權(quán)利，交還給了每一個(gè)有故事要講的人。

在AI的輔助下，未來的斯皮爾伯格可能就誕生在你的代碼倉(cāng)庫里。

工具已經(jīng)備好，現(xiàn)在，請(qǐng)開始你的表演。