Artificial Analysis 榜單第二，SkyReels-V4 宣告 AI 視頻進入「全棧統(tǒng)一」階段

Seedance 2.0 還在持續(xù)震驚行業(yè)的時候，AI 視頻賽道又有一份權(quán)威榜單刷新了，來自昆侖天工的 SkyReels-V4 沖進了最前列。

Artificial Analysis 是目前 AI 領(lǐng)域最有公信力的第三方評測平臺之一。它的機制，是讓不同模型生成答案，然后由真人用戶盲選投票，誰的作品被選中的次數(shù)多，誰的 ELO 分就高。整個過程不看品牌，不接受企業(yè)自報成績，OpenAI、Google 這些大廠都在上面被公開打分。

在這份最新的文生視頻榜單（帶音頻）上，SkyReels-V4 排到了第二。ELO 評分 1090，僅落后第一名快手 Kling 3.0 Pro 三分。Google Veo 3.1、OpenAI Sora 2、xAI grok-imagine-video 都排在了它的身后。

在包含所有歷史版本的全量排名里，SkyReels-V4 也排到了第四。

值得注意的是，Text To Video Leaderboard（with Audio）不是一個只看「畫面好不好看」的榜單，它評的是帶音頻的完整視頻，畫面、聲音、兩者的同步程度，全都算分。

SkyReels-V4 能在這個維度拿到全球第二，說明它做對了一些和大多數(shù)視頻模型不太一樣的事情。

??關(guān)注 Founder Park，最及時最干貨的創(chuàng)業(yè)分享

超 22000 人的「AI 產(chǎn)品市集」社群！不錯過每一款有價值的 AI 應(yīng)用。

邀請從業(yè)者、開發(fā)人員和創(chuàng)業(yè)者，飛書掃碼加群：

進群后，你有機會得到：

• 最新、最值得關(guān)注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準(zhǔn)的 AI 產(chǎn)品曝光渠道

01「萬物可參考」的創(chuàng)作自由

要理解 SkyReels-V4 的能力，最直觀的方式是看一個案例。

上傳一段邁克爾?杰克遜的經(jīng)典舞蹈視頻和一張二次元圖片，告訴模型：把舞者替換成這個角色。

幾秒鐘后，視頻里的舞者變成了那個動漫人物，但每一個轉(zhuǎn)身和手勢的時機都和原版嚴(yán)絲合縫。

這已經(jīng)很厲害了，但還沒完。換一張狼的圖片再試一次。

這回模型需要把一個人類的舞蹈動作，映射到一只四足動物身上。結(jié)果狼的動作流暢自然，身體的重心轉(zhuǎn)移和節(jié)拍卡點依然對得上原視頻。

這說明模型不止是抓取像素的外觀，更是本質(zhì)上理解了動作的語義。

難度還可以繼續(xù)升級。例如《低俗小說》里烏瑪?瑟曼和約翰?特拉沃爾塔的經(jīng)典扭扭舞，給模型兩張圖：一只狗，一只貓。指令是把左邊的舞者換成狗，右邊的換成貓。

這個任務(wù)的挑戰(zhàn)在于，模型必須同時跟蹤兩個主體的運動軌跡，分別完成替換，還不能把兩邊的動作搞混。

SkyReels-V4 交出的結(jié)果是：狗和貓各跳各的，動作和原版舞者一一對應(yīng)，互不干擾。

這套能力叫「運動參考」。對于短視頻創(chuàng)作來說，它的想象潛力巨大。一旦你有了一段動作素材作為骨架，就可以把任何形象「穿」上去。同一段舞蹈，今天換成品牌 IP 角色做一版廣告素材，明天換成二次元形象做一版粉絲二創(chuàng)，后天換成吉祥物做一版節(jié)日版本。

對于短視頻創(chuàng)作者和內(nèi)容團隊來說，這意味著素材的復(fù)用率被大幅拉高，同一段動作的商業(yè)價值可以被反復(fù)釋放。

02全棧能力：整個工作流，一個模型搞定

運動參考只是 SkyReels-V4 多模態(tài)參考能力的一個切面。這個模型真正的野心，是覆蓋整條視頻創(chuàng)作工作流。從生成到編輯，從畫面到聲音，在一個模型里全部完成。

先看短劇生成。給模型兩三張人物照片，再給一段對話劇本，它能直接輸出一個帶對白、帶背景音樂、有正反打鏡頭切換的短劇片段。

注意了，這是一個真的有鏡頭語言的視頻。男人說話的時候鏡頭對著男人，切到老人的反應(yīng)，再切回來，節(jié)奏是對的。

更值得關(guān)注的是音頻部分。生成出來的臺詞清晰度很高，口型都對。而且?guī)в星榫w，緊張、警惕、懷疑，這些在劇本里寫的情緒指令，模型都能在語音層面體現(xiàn)出來。仔細(xì)聽還能聽到緊張懸疑的背景音樂，完全契合劇情。這種音頻質(zhì)量放在一年前，單獨拿出來都算得上一個獨立產(chǎn)品的賣點。

而且它不只支持中文，英文、法語、日語，每種語言的語音都可以由模型原生生成。這意味著同一套角色素材，換一種語言的劇本就能產(chǎn)出另一個版本，對做海外內(nèi)容的團隊來說效率提升非常明顯。

同樣，在視頻編輯方面，去水印、抹掉硬字幕、清理臺標(biāo)，也都能輕松搞定。

快速去除字幕

這些過去要靠 After Effects 或者好幾個 AI 小工具拼在一起才能完成的操作，現(xiàn)在一個模型、一條指令就能搞定。

它還能做更復(fù)雜的事情：給一段女團舞蹈視頻里的 C 位舞者憑空加上一頂帽子。

帽子的顏色和細(xì)節(jié)都跟參考圖一致，整段舞蹈就像她本來就戴著這頂帽子跳的。

或者反過來，從一段多人探險視頻里把兩個人直接刪掉，刪完之后背景自然補全，沒有任何穿幫痕跡。

從生成完整短劇到精細(xì)化編輯修復(fù)，SkyReels-V4 試圖讓創(chuàng)作者的工具箱大幅簡化：過去需要在好幾個軟件之間來回切換才能完成的工作流，現(xiàn)在可以在一個模型內(nèi)完成。

03魔法背后的技術(shù)力

前面展示了這么多能力，一個自然的問題是：為什么這些事情能在同一個模型里完成？

答案藏 昆侖天工 SkyReels-V4 的技術(shù)報告里。如果只挑兩個最關(guān)鍵的技術(shù)點來講，統(tǒng)一拼接框架解釋了「為什么一個模型能干這么多事」，雙流 MMDiT 架構(gòu)解釋了「音視頻怎么做到真正同步的」。

論文：https://arxiv.org/pdf/2602.21818

先說第一個。SkyReels-V4 之所以能用一個模型干這么多事，核心在于它把所有視頻任務(wù)都變成了同一種操作。

具體怎么做的？模型的輸入被拆成三樣?xùn)|西拼在一起：一段待生成的視頻底片、你提供的條件畫面、以及一張遮罩。

遮罩的作用是標(biāo)記哪些區(qū)域保留，哪些讓模型重新生成。文生視頻就是遮罩全空；圖生視頻就是第一幀鎖定；去水印就是把水印的區(qū)域挖掉。任務(wù)千差萬別，但在模型眼里只是遮罩的配置不同。

參考素材的注入是另一個維度。如果你提供了角色照片或動作視頻，這些素材會被編碼后拼在生成序列的前面，像一本攤開的參考手冊。模型生成每一幀時都能回頭翻看，從中提取外觀、動作和風(fēng)格信息。這就是為什么你可以同時給它一張角色圖和一段舞蹈視頻，它能理解「用這個外觀，跳那段舞」。

兩層拼接配合在一起，就有了一個真正統(tǒng)一的接口：生成、編輯、遷移，全部走同一套框架，同一套參數(shù)。

再說第二個。大多數(shù)視頻模型生成畫面之后，音頻是后面單獨加上去的，兩者之間的對齊靠的是后處理。

SkyReels-V4 不是這么做的，它的架構(gòu)叫「雙流 MMDiT」：視頻和音頻各有一條生成線，但這兩條線在每一步都能互相看到對方在做什么。

打個比方，就像兩個樂手看著同一份樂譜在合奏：視頻這邊畫到嘴巴張開，音頻那邊就同步輸出對應(yīng)的語音；音頻這邊的節(jié)拍到了重音的位置，視頻那邊的動作也跟著卡點。兩條線共享同一個文本編碼器來理解指令，再通過雙向交叉注意力機制在每一步互相校準(zhǔn)。

但這里有一個工程上的難題：視頻和音頻的時間尺度完全不同。視頻一秒 32 幀，音頻一秒 44100 個采樣點，兩者的信息密度差了好幾個數(shù)量級。

SkyReels-V4 用了一個叫 RoPE 頻率縮放的技術(shù)來解決這個問題。本質(zhì)上是讓音頻的時間坐標(biāo)系「壓縮」到和視頻對齊，確保兩邊在注意力計算的時候看到的是同一個時間軸上的對應(yīng)位置。

這就是為什么前面短劇案例里，多角色對話的唇形和語音能做到毫秒級的精準(zhǔn)對齊，因為音視頻從生成機制的底層就是綁定在一起的。

04從工具替代到工作流統(tǒng)一

把視角拉遠(yuǎn)一點看，昆侖天工 SkyReels-V4 做的這件事，其實是整個 AI 行業(yè)正在發(fā)生的一個大趨勢的縮影。

語言模型從純文本走向多模態(tài)，圖像模型從生成走向理解，視頻模型從單項能力走向全流程覆蓋，所有方向都在往「統(tǒng)一」這個詞收斂。SkyReels-V4 的統(tǒng)一框架不只是一家公司的技術(shù)選擇，它更像是視頻生成賽道演進方向的一個信號。

對創(chuàng)作者來說，這種變化的體感可能比技術(shù)敘事更直接。過去做一條完整的視頻內(nèi)容，工作流是「工具鏈串聯(lián)」：用這個工具生成畫面，用那個工具配音樂，再換一個工具做剪輯和后期。每切換一次工具就丟失一次上下文，素材在不同軟件之間反復(fù)導(dǎo)入導(dǎo)出。

SkyReels-V4 則是讓這條鏈變成一個框：所有素材進去，成品出來，中間模型始終理解你在做什么。創(chuàng)作的門檻在降低，但更重要的是，創(chuàng)作的連貫性在提升。

對更廣泛的影視和內(nèi)容制作行業(yè)來說，影響可能比「換一個更好用的工具」更深。傳統(tǒng)影視后期是一條高度分工的流水線。特效、配音、音效設(shè)計、字幕處理，每個環(huán)節(jié)對應(yīng)專門的軟件、專門的人才、專門的外包預(yù)算。當(dāng)一個模型能同時覆蓋這些過去分屬不同工種的任務(wù)，產(chǎn)業(yè)鏈里一部分中間環(huán)節(jié)的存在邏輯就開始松動了。

尤其在短劇、短視頻、品牌內(nèi)容、電商素材這些對產(chǎn)出速度和成本高度敏感的中腰部市場，制作的「最低可行團隊」正在被重新定義。過去需要十個人干一周的活，現(xiàn)在可能三個人加一個統(tǒng)一模型，兩天就能交付。當(dāng)然，高端影視制作對精度和創(chuàng)意的要求，靠當(dāng)前 AI 還不能完全替代，但「全棧統(tǒng)一」的意義已經(jīng)從技術(shù)架構(gòu)的故事，變成了產(chǎn)業(yè)效率的故事。

回到昆侖天工自身，SkyReels 系列的迭代節(jié)奏也值得留意。V1 主攻人物表演和影視級質(zhì)感，是中國最早面向 AI 短劇創(chuàng)作的垂直場景視頻生成模型；V2 引入自回歸擴散架構(gòu)，實現(xiàn)了無限時長的連續(xù)視頻生成；V3 強化了多模態(tài)參考驅(qū)動，支持圖像、視頻、音頻等多種條件輸入；到了 V4，音視頻聯(lián)合生成和全場景統(tǒng)一編輯被裝進同一個架構(gòu)。每一步都不是在某個單項上刷分，而是在把更多能力往同一個框架里收。

這條路不輕松。統(tǒng)一意味著每一代都要做架構(gòu)層面的改動，而不是在已有框架上微調(diào)；意味著要同時把生成質(zhì)量、編輯精度、音頻同步這些互相制約的指標(biāo)都拉上來。但走到 V4 這一步，Artificial Analysis 第二的成績單至少說明了一件事：這條「把所有東西裝進一個模型」的路，昆侖天工走通了。

轉(zhuǎn)載原創(chuàng)文章請?zhí)砑游⑿牛篺ounderparker