SkyReels-V3是由Skywork AI自主研發的多模態視頻生成模型，於2026年1月29日正式開源。該模型整合參考圖像轉視頻、視頻延長和音頻驅動虛擬形象三大核心功能，支持1-4張參考圖像的多條件融合，採用跨幀配對策略構建動態視頻數據。其視頻延長模組提供單鏡頭延長與鏡頭切換延長兩種模式，支持5種專業電影轉場手法和多種解析度輸出配置。虛擬形象模型通過音視頻對齊技術實現唇部運動與語音同步，支持分鐘級長視頻生成及多角色互動。
SkyReels系列模型自2025年起陸續開源，V3版本基於統一的多模態上下文學習框架開發，採用圖像-視頻混合訓練策略提升生成質量。在包含200組測試數據的評估中，其參考一致性指標達0.6698，視覺質量指標達0.8119。該模型代碼託管於GitHub，提供獨立模組組合使用功能，支持本地部署與定製改造。
基本介紹
- 中文名：SkyReels-V3
- 研發企業：Skywork AI
- 類型：視頻生成模型
簡介,發展歷史,套用亮點,
簡介
作為一系列多模態視頻生成模型，該系列支持參考圖像轉視頻（Reference Images-to-Video）、視頻延長（Video Extension）和音頻驅動虛擬形象（Talking Avatar）三大核心能力，在單一建模架構中實現高保真多模態視頻生成，達到行業領先水平。
三大核心能力作為獨立模組，每個模組深度最佳化且支持靈活組合。Skywork AI團隊通過企業級數據處理、極速推理能力和高效的訓練架構等技術實現，讓生成的視頻達到專業級效果，多項指標達到或超越行業領先水平。
發展歷史
2026年1月29日，SkyReels-V3正式開源。
套用亮點
- 參考圖像轉視頻（Reference Images-to-Video）：讓靜態圖像"活"起來
SkyReels-V3可根據1至4張參考圖像，並結合文本提示，生成時間連貫、語義一致的高質量視頻序列。無論是人物形象、商品展示還是背景場景，生成的視頻都能精準保留原始身份特徵、空間構圖和敘事連貫性。
其背後是Skywork AI團隊在數據構建、多參考條件融合和混合訓練策略上的多重技術創新：
高質量數據構建：團隊從海量視頻中篩選具有顯著動態運動的素材，並採用跨幀配對策略確保時間多樣性。更為關鍵的是，利用圖像編輯模型對主體區域進行提取、背景補全和語義重寫，有效避免了常見的“複製貼上”偽影，從數據源頭保障了生成質量。
多參考條件融合：模型採用統一的策略聯合編碼視覺和文本信息，最多支持4張參考圖像。這意味著用戶無需進行複雜的圖像拼接或手動蒙版，即可實現複雜多主體、多元素的自然互動與場景組合。例如，在電商場景中，可將商品圖與虛擬主播形象結合，直接生成一段在特定環境下的帶貨視頻，精準保留商品細節與主播身份特徵。
混合訓練策略：團隊利用圖像-視頻混合訓練，聯合利用大規模圖像和視頻數據集，且利用多解析度聯合最佳化提升不同空間尺度和寬高比的魯棒性。
在包含200對混合測試集（涵蓋電影電視、電商、廣告等多領域）的評估中，SkyReels-V3展現出卓越的性能表現。
面對人物、動物、物體和背景場景等多種參考類型，SkyReels-V3在參考一致性指標上達到0.6698，超越Vidu Q2（0.5961）、Kling 1.6（0.6630）和PixVerse V5（0.6542）等主流商用模型；在視覺質量指標上更以0.8119的得分領先全場，證明了其在保持參考特徵的同時生成高保真視頻的強大能力。
- 視頻延長（Video Extension）：突破時長限制，擴展敘事邊界
SkyReels-V3視頻延長模型可將輸入視頻片段延伸為時間連貫、語義一致的後續內容，在文本指導下保持運動動態、場景結構和視覺風格。未來有望套用在電影/電視內容創作、短視頻系列製作、 遊戲過場動畫和長視頻增強等領域。
首先，其支持“雙模式延長”功能。傳統視頻延長技術大多局限於簡單拉長時間維度，而SkyReels-V3的視頻延長功能實現了質的飛躍。它基於視頻語義和用戶Prompt，能夠智慧型預測下一個鏡頭的合理延續與場景內容，使視頻創作從“時間擴展”升級為“敘事擴展”。
這一功能提供兩種專業模式：單鏡頭延長模式保持原有視角和敘事連貫性，實現平滑的鏡頭延續；而更具創新性的鏡頭切換延長模式則支持五種專業轉場技術，包括切入（Cut In）、切出（Cut Out）、多角度（Multi Angle）、正反鏡頭（Shot/Reverse Shot）和切離（Cut Away）等專業電影轉場手法。這意味著用戶可以從一個簡單的短視頻片段出發，通過智慧型鏡頭擴展，構建出具有完整敘事結構的專業級視頻內容。
此外，模型中內置智慧型鏡頭切換檢測器，能夠自動分析長視頻中的轉場點，識別並分類不同的轉場類型。SkyReels-V3視頻延長功能支持多種輸出配置，包括480p/720p解析度，1:1、3:4、4:3、16:9、9:16等多種寬高比，滿足不同平台的發布需求；單鏡頭延長支持5-30秒可調節長度，為用戶提供了充分的創作靈活性。
從技術實現上來看，SkyReels-V3採用創新的統一多分段位置編碼技術，能夠精準建模複雜視頻序列中的運動軌跡。通過分層混合訓練策略，模型實現了不同鏡頭之間的平滑切換，解決了傳統視頻延長中常見的“跳躍”和“斷裂”問題。這一技術確保即使在多主體互動、快速運動和場景劇變的情況下，延長內容也能保持高度的物理可信度和時間連貫性。
3虛擬形象模型（Talking Avatar Model）：聲畫同步，打造“會說話的數字人”新時代
SkyReels-V3虛擬形象模型可從單張肖像圖和音頻片段生成高質量、音視頻同步的視頻，支持分鐘級長視頻生成和多角色互動。其卓越的音視頻同步能力和高質量生成效果，為虛擬主播、線上教育、企業宣傳等多個行業帶來了前所未有的創作可能。
- SkyReels-V3虛擬形象模型具備四大核心能力，重新定義行業標準：
高保真視覺合成技術
SkyReels V3在視覺合成方面達到了新的高度。模型不僅能夠精準還原唇部運動，更能夠捕捉細微的面部表情變化，使虛擬形象的表現力更加豐富自然。無論是真實人物、卡通角色，還是動物形象或藝術化風格，系統都能保持原有的特徵一致性，為不同套用場景提供量身定製的解決方案。
廣泛的風格兼容性
這一功能的突出優勢在於其卓越的風格適應能力。從企業虛擬代言人到動漫角色，從教育講解員到創意內容主角，SkyReels V3能夠根據不同的肖像輸入，生成相應風格的虛擬形象視頻，滿足從專業商業用途到個人創意表達的多樣化需求。
長視頻穩定生成能力
通過關鍵幀約束生成技術，系統能夠建立結構重要的關鍵幀，並生成關鍵幀間的平滑過渡，確保在長視頻生成過程中始終保持高度的穩定性和一致性。這一突破使得製作高質量的教育視頻、新聞播報、長篇故事敘述成為可能，大大拓展了虛擬形象的套用邊界。
多人物場景支持
SkyReels V3在多虛擬形象場景最佳化方面展現了行業領先的技術實力。系統支持顯式的角色分配和協調互動，通過掩碼指定說話人，能夠實現對話、採訪等複雜場景的自然呈現。這一功能為虛擬訪談、多角色教學等套用場景打開了新的可能性。
SkyReels-V3虛擬形象模型的卓越性能源於多項技術創新。精準音視頻對齊技術確保了語音與口型的完美匹配，即使在處理快速語速或特殊發音時也能保持高度同步。而關鍵幀約束生成機制則通過智慧型識別關鍵表情和口型節點，在保證生成效率的同時，確保了長視頻的內容連貫性和視覺穩定性。
