深度剖析 SkyReels-V2：开启无限时长电影生成新时代

在人工智能技术飞速发展的当下，视频生成领域正经历着一场深刻变革。2025 年 4 月 21 日，昆仑万维 SkyReels 团队正式发布并开源 SkyReels-V2，作为全球首个使用扩散强迫（Diffusion-forcing）框架的无限时长电影生成模型，它宛如一颗璀璨新星，瞬间吸引了整个行业的目光，为视频生成技术带来了前所未有的突破。

一、视频生成技术现状与挑战

回顾过去一年，视频生成技术在扩散模型和自回归框架的推动下，取得了显著进展，如分辨率有所提升，生成内容愈发多样。但不可忽视的是，在提示词遵循、视觉质量、运动动态和视频时长的协调上，仍面临着重大挑战。现有技术常常顾此失彼，为了提升稳定的视觉质量，往往不得不牺牲运动动态效果；为了追求高分辨率，视频时长又被限制在 5 - 10 秒的短暂区间。此外，通用多模态大语言模型（MLLM）难以解读电影语法，包括镜头构图、演员表情和摄像机运动等关键要素，导致镜头感知生成能力严重不足。这些相互交织的限制，极大地阻碍了长视频的逼真合成以及专业电影风格的生成。

二、SkyReels-V2 的核心技术创新

（一）全面的影视级视频理解模型：SkyCaptioner-V1

为了攻克提示词遵循这一难题，SkyReels 团队精心设计了一种结构化的视频表示方法。该方法巧妙地将多模态 LLM 的一般描述与子专家模型的详细镜头语言相结合，能够精准识别视频中的主体类型、外观、表情、动作和位置等丰富信息。通过大量人工标注和精细的模型训练，进一步强化了对镜头语言的理解能力。在此基础上，团队成功训练出统一的视频理解模型 SkyCaptioner-V1，它不仅能高效理解视频数据，还能生成符合原始结构信息的多样化描述。这一模型犹如一位专业的影视评论家，对视频内容有着深刻的洞察，能够捕捉到电影场景中的专业镜头语言，从而显著提升了生成视频对提示词的遵循程度。值得一提的是，SkyCaptioner-V1 现已开源，为广大开发者和研究人员提供了有力的支持。

（二）针对运动的偏好优化

现有视频生成模型在运动质量方面表现欠佳，主要原因在于优化目标未能充分兼顾时序一致性和运动合理性。SkyReels-V2 通过强化学习（RL）训练，巧妙利用人工标注和合成失真数据，有效解决了动态扭曲、不合理等问题。为了降低数据标注成本，团队设计了一个半自动数据收集管道，能够高效生成偏好对比数据对。经过这样的优化，SkyReels-V2 在运动动态方面表现卓越，生成的视频内容流畅且逼真，完全能够满足电影制作中对高质量运动动态的严苛需求。无论是人物的细腻动作，还是物体的快速移动，在 SkyReels-V2 生成的视频中都能呈现得自然流畅。

（三）高效的扩散强迫框架

为了实现长视频生成这一关键突破，SkyReels-V2 提出了一种扩散强迫（diffusion forcing）后训练方法。与从零开始训练扩散强迫模型不同，团队通过微调预训练的扩散模型，将其巧妙转化为扩散强迫模型。这种方法不仅大幅减少了训练成本，还显著提高了生成效率。在技术实现上，采用非递减噪声时间表，将连续帧的去噪时间表搜索空间从 O (1e48) 降低到 O (1e32)，为长视频的高效生成奠定了坚实基础。这一创新使得 SkyReels-V2 能够突破时长限制，生成几乎无限时长的高质量视频内容，为影视创作带来了广阔的想象空间。

（四）渐进式分辨率预训练与多阶段后训练优化

为了打造专业的影视生成模型，SkyReels-V2 的多阶段质量保证框架整合了来自三个主要来源的数据：通用数据集，整合了开源资源，如 Koala-36M、HumanVid，以及从互联网爬取的额外视频资源，提供了广泛的基础视频素材，涵盖多种场景和动作；自收集媒体，包括 280,000 多部电影和 800,000 多集电视剧，覆盖 120 多个国家，估计总时长超过 620 万小时，为模型提供了丰富的电影风格和叙事结构；艺术资源库，从互联网获取的高质量视频资产，确保生成内容的视觉质量达到专业标准。原始数据集规模达到亿级（O (100M)），不同子集根据质量要求在各个训练阶段使用。此外，还收集了亿级的概念平衡图像数据，以加速早期训练中生成能力的建立。在此数据基础上，首先通过渐进式分辨率预训练建立基础视频生成模型，然后进行四阶段的后续训练增强：初始概念平衡的监督微调（SFT），通过概念平衡的数据集进行微调，为后续优化提供良好的初始化；运动特定的强化学习（RL）训练，通过偏好优化提升运动动态质量；扩散强迫框架（DF），实现长视频生成能力；高质量 SFT，进一步提升视觉保真度。通过结合富含影视级别数据和多阶段优化方法，确保了 SkyReels-V2 在资源有限的情况下，能够高效、稳步地提升多方面的表现，达到影视级视频生成的水准。

三、SkyReels-V2 在评估中的卓越表现

（一）SkyReels-Bench 评估

为了全面、精准地评估 SkyReels-V2 的性能，团队构建了 SkyReels-Bench 用于人类评估。该评估包含 1020 个文本提示词，系统性地评估了四个关键维度：指令遵循、运动质量、一致性和视觉质量。在指令遵循方面，SkyReels-V2 在运动指令、主体指令、空间关系、镜头类型、表情和摄像机运动的遵循上均优于基线方法；运动质量上，在运动动态性、流畅性和物理合理性方面表现出色，生成的运动内容自然且多样；一致性维度，主体和场景在整个视频中保持高度一致，运动过程有较高的保真度；视觉质量方面，生成视频在视觉清晰度、色彩准确性和结构完整性上均达到高水平，无明显扭曲或损坏。在 SkyReels-Bench 评估中，SkyReels-V2 在指令遵循方面取得了显著进展，同时在保证运动质量的同时不牺牲视频的一致性效果，综合表现十分突出。

（二）VBench1.0 结果

在 VBench1.0 自动化评估中，SkyReels-V2 同样展现出强大实力。在总分（83.9%）和质量分（84.7%）上均优于所有对比模型，包括 HunyuanVideo-13B 和 Wan2.1-14B。这一结果进一步验证了 SkyReels-V2 在生成高保真、指令对齐的视频内容方面的强大能力，从客观数据层面证明了其在视频生成领域的领先地位。

四、SkyReels-V2 丰富的应用场景

（一）故事生成

SkyReels-V2 能够生成理论上无限时长的视频，通过滑动窗口方法，模型在生成新帧时会参考之前生成的帧和文本提示。为了防止错误积累，采用了稳定化技术，通过在之前生成的帧上添加轻微调整，确保视频叙事的连贯性和稳定性。这使得创作者能够通过一系列文本提示，编排复杂的视觉故事，展示多个动作场景而不失一致性，为影视故事创作提供了强大的工具。无论是精彩的冒险故事，还是感人的情感剧集，SkyReels-V2 都能将文字转化为生动的视频画面。

（二）图生视频

该模型支持图像到视频的合成功能，用户只需提供一张或多张图片，SkyReels-V2 就能以此为基础，生成连贯的视频内容。这一功能在广告创作、创意短片制作等领域具有巨大的应用潜力。例如，广告商可以根据产品宣传图片，快速生成富有创意的宣传视频，大大提高了广告制作的效率和创意性。

（三）运镜专家（摄像导演功能）

SkyReels-V2 具备摄像导演功能，能够根据用户的需求和创意，智能规划摄像机的运动轨迹、镜头切换等。它就像一位经验丰富的摄像导演，能够为视频增添专业的运镜效果，提升视频的视觉冲击力和艺术感。在电影制片、短视频创作等场景中，这一功能能够帮助创作者更好地实现自己的创意，打造出具有专业水准的视频作品。

（四）多主体一致性视频生成（SkyReels-A2）

通过 SkyReels-A2 系统，SkyReels-V2 能够实现多主体一致性视频生成。在视频中涉及多个主体时，模型能够确保各个主体的动作、表情、位置等相互协调一致，避免出现主体之间动作不协调、场景混乱等问题。这一功能在群像戏、大型活动视频制作等方面具有重要应用价值，能够生成更加真实、自然的多人互动视频场景。

五、展望未来

SkyReels-V2 的发布与开源，无疑为视频生成领域注入了强大的活力。它不仅在技术上实现了重大突破，解决了长期以来困扰行业的诸多难题，还为创作者提供了丰富多样的应用场景，极大地拓展了创意表达的边界。随着技术的不断迭代优化，以及更多开发者和研究人员基于其开源代码进行创新探索，我们有理由相信，SkyReels-V2 将在影视制作、广告创意、教育娱乐等多个领域发挥巨大的价值，推动整个视频生成行业迈向新的高度。未来，或许我们将看到更多由人工智能生成的精彩影视作品出现在大银幕和小屏幕上，为观众带来全新的视觉体验。