開源AI短劇神器來了！

來自昆侖萬維，一次性開源兩大視頻模型——

國內(nèi)首個面向AI短劇創(chuàng)作的視頻生成模型SkyReels-V1；

國內(nèi)首個SOTA級別基于視頻基座模型的表情動作可控算法SkyReels-A1。

當前全球AI視頻生成模型和產(chǎn)品面臨著不開源、用不到、費用高、不好用等痛點。

昆侖萬維選擇將面向AI短劇創(chuàng)作的技術(shù)成果回饋開源社區(qū)和AIGC用戶。

AI視頻和短劇的生產(chǎn)形式已經(jīng)得到了市場的驗證，擁有巨大的商業(yè)想象空間——

2024年8月上線的AI短劇創(chuàng)作平臺SkyReels的目標是讓用戶以更低成本體驗線上拍劇，利用 AI 能力解決傳統(tǒng)短劇內(nèi)容供給的難題。SkyReels能夠助力解決傳統(tǒng)短劇制作流程中面臨的挑戰(zhàn)，如線下拍劇流程復雜，包括劇本創(chuàng)作、選演員、場景布景、分鏡創(chuàng)作、拍攝、后期處理等環(huán)節(jié)，耗費人力多，制作成本貴，周期長等。

來具體看看兩大開源模型實力如何。

SkyReels-V1：首個面向AI短劇創(chuàng)作的視頻生成模型

AI短劇中，人物表演的細節(jié)和能力是判斷生成效果優(yōu)質(zhì)與否的核心所在，為了大幅提升表情生成、肢體生成的可控表演效果。SkyReels-V1不僅針對表演細節(jié)做了打標，還對情緒、場景、表演訴求等進行處理，利用千萬級別、高質(zhì)量的好萊塢級別數(shù)據(jù)進行訓練微調(diào)。

團隊針對人物微表情、人物表演細節(jié)、場景描述、光影、畫面構(gòu)圖等做了更精細的技術(shù)升級，可以看到當前由SkyReels生成的視頻中的人物已經(jīng)存在更精準的表演細節(jié)，初步具備影帝級人物表演實力。

SkyReels-V1可實現(xiàn)影視級人物微表情表演生成，支持33種細膩人物表情與400+種自然動作組合，高度還原真人情感表達。正如以下視頻所示，SkyReels-V1支持生成大笑、怒吼、驚訝、哭泣等微表情，展現(xiàn)出人物情感豐沛的表演細節(jié)。

即使有大幅度肢體動作，例如下面視頻中，正在大口食用漢堡包的男士，SkyReels-V1生成的微表情也完美貼合人物肢體表演。

同時，SkyReels-V1為AI視頻生成帶來了電影級光影美學，基于好萊塢級的高質(zhì)量影視數(shù)據(jù)訓練，當前SkyReels生成的每一幀畫面，在構(gòu)圖、演員站位、相機角度等都具備電影級的質(zhì)感。

無論是單人鏡頭表演細節(jié)，還是多人構(gòu)圖，當前已具備精準的表情控制和高質(zhì)感畫面。在下面視頻中，SkyReels-V1生成的「災(zāi)難」片段，具有好萊塢大片即視感，場景宏大且有震撼感，其中聚焦到單個人物的臉部表情刻畫也可圈可點，以極細致的程度展示出了身臨其境的恐懼感。

在一場兩個人的「告白時刻」場景中，構(gòu)圖與光影的完美融合，使整個畫面既充滿了夢幻般的浪漫氛圍，又具備了強烈的視覺沖擊力。靈動的表情、飛舞的發(fā)絲、女子飛揚的衣袖、一道道柔和的光帶，兩人之間的浪漫愛情故事躍然眼前。

以下視頻來源于昆侖萬維集團

更重要的是，SkyReels-V1不僅支持文生視頻、還能支持圖生視頻，是開源視頻生成模型中參數(shù)最大的支持圖生視頻的模型，在同等分辨率下各項指標實現(xiàn)開源SOTA。

△圖1丨SkyReels-V1文生視頻指標對比（來源：昆侖萬維SkyReels）

能夠?qū)崿F(xiàn)這樣的SOTA級別，不僅依賴于昆侖萬維SkyReels團隊基于自研的高質(zhì)量數(shù)據(jù)清洗和人工標注管線，構(gòu)建了千萬級的高質(zhì)量電影&電視劇&紀錄片數(shù)據(jù)。更依托團隊自研「Human-Centric」的視頻理解多模態(tài)大模型，大幅提升視頻中人物相關(guān)的理解能力，尤其是自研人物智能解析系統(tǒng)。

綜上所述，得益于扎實的數(shù)據(jù)工作和先進的人物智能解析系統(tǒng)，SkyReels-V1可以實現(xiàn)：

• 影視化表情識別體系：11種針對影視戲劇中的人物表情理解，如不屑、不耐煩、無助、厭惡等表情的理解；
• 人物空間位置感知：基于人體三維重建技術(shù)，實現(xiàn)對視頻中多人的空間相對關(guān)系理解，助力模型生成影視級人物站位；
• 行為意圖理解：構(gòu)建超過400種行為語義單元，實現(xiàn)對人物行為的精準理解；
• 表演場景理解：實現(xiàn)人物-服裝-場景-劇情的關(guān)聯(lián)分析。

SkyReels-V1不僅是全球極少數(shù)開源的視頻生成模型，還是圍繞人物表演、開源視頻生成模型中性能最強的。

在自研推理優(yōu)化框架「SkyReels-Infer」的加持下，大幅提升推理效率，實現(xiàn)544p分辨率，推理基于單臺4090只需80s，還支持分布式多卡并行，支持Context Parallel，CFG Parallel，和 VAE Parallel。此外，采取fp8 quantization以及parameter-level offload，滿足低顯存用戶級顯卡運行需求；支持flash attention、SageAttention，模型編譯優(yōu)化等，進一步優(yōu)化延遲；基于開源diffuser庫，提升易用性。

正如下圖2所示，在同等RTX4090資源情況下對比(4卡)，SkyReels-Infer版本比HunyuanVideo官方版本端到端延遲減少58.3%(293.3s vs 464.3s)；SkyReels-Infer版本具備更魯棒的部署策略，支持用戶級別顯卡1卡-8卡的推理部署。

△圖2丨推理生成544p視頻，使用相同卡數(shù)的RTX 4090，SkyReels-Infer版本端到端延遲優(yōu)于HunyuanVideo官方(xdit) 58.3%

在同等A800資源情況下對比，SkyReels-Infer版本比HunyuanVideo官方版本端到端延遲減少14.7%～28.2%（如圖3所示），SkyReels-Infer版本具備更魯棒的多卡部署策略。

△圖3丨推理生成544p視頻，SkyReels-Infer版本具備更魯棒的多卡部署策略，支持8卡部署

SkyReels-A1：首個SOTA級別的基于視頻基座模型的表情動作可控算法

為了實現(xiàn)更加精準可控的人物視頻生成，昆侖萬維還開源了SOTA級別的基于視頻基座模型的表情動作可控算法SkyReels-A1，對標Runway的Act-One，SkyReels-A1支持視頻驅(qū)動的電影級表情捕捉，實現(xiàn)高保真微表情還原。

SkyReels-A1能夠基于任意人體比例（包括肖像、半身及全身構(gòu)圖）生成高度逼真的人物動態(tài)視頻，其真實感源自對人物表情變化和情緒的精準模擬、皮膚肌理、身體動作跟隨等多維度細節(jié)的深度還原。

如下述視頻所示，將參考人物圖片（上圖）和驅(qū)動視頻（左下）同時作為輸入，在SkyReels-A1的能力加持下，生成了新的視頻——將驅(qū)動視頻中的面部表情和表演細節(jié)“移植”到給定參考圖片的人物身上。SkyReels-A1支持生成的視頻（下中）沒有失真，且還原了驅(qū)動視頻的微表情和肢體表演，效果優(yōu)于Runway Act-One生成的視頻（右下）。

SkyReels-A1不僅支持側(cè)臉的表情控制生成、還能實現(xiàn)更加逼真的眉眼微表情生成和更大幅度的頭部與自然身體動作。

例如同一句臺詞表演，從下面視頻可以看出，最右邊的人物有明顯變樣失真，和原始人物形象不一致，而SkyReels-A1支持和驅(qū)動下的人物表演，不僅人物不失真，且表演細節(jié)更真實，還可以實現(xiàn)神情與身體動作的自然完美融合。

SkyReels-A1能夠?qū)崿F(xiàn)更大幅度的人物表情驅(qū)動。在下面視頻中可以看到，相比Runway的Act-One（無法生成），SkyReels-A1可以遷移更復雜的表情動作，生成的人物面部神情可以配合肢體及畫面內(nèi)容實現(xiàn)更栩栩如生的表演。

昆侖萬持續(xù)開源

自2023年8月23日，昆侖萬維發(fā)布國內(nèi)第一款AI搜索產(chǎn)品「天工AI搜索」以來，持續(xù)開源大模型回饋開發(fā)者和行業(yè)。

早在2023年10月，昆侖萬維宣布開源百億級大語言模型「天工」Skywork-13B系列，并配套開源了600GB、150B Tokens的超大高質(zhì)量開源中文數(shù)據(jù)集。2024年開始，公司陸續(xù)開源了數(shù)字智能體全流程研發(fā)工具包AgentStudio、「天工大模型3.0」4000億參數(shù)MoE超級模型、 2 千億稀疏大模型 Skywork-MoE、Skywork-o1-Open等模型。

視頻生成模型是整個AI短劇創(chuàng)作當中最難的一個環(huán)節(jié)，盡管過去一年行業(yè)內(nèi)的模型生成能力已有大幅提升，但還遠遠不夠，同時還面臨視頻生成成本高的問題。

昆侖萬維同時將SOTA級別的SkyReels-V1和SkyReels-A1進行開源，是AI短劇行業(yè)首例，也是昆侖萬維SkyReels回饋行業(yè)邁出的一小步，更是促進AI短劇創(chuàng)作和視頻生成行業(yè)枝繁葉茂的一大步。

我們相信在進行推理優(yōu)化的升級和可控算法的開源后，它們將為用戶帶來低成本、可控性更強的AIGC能力。昆侖萬維希望通過更多優(yōu)秀視頻生成模型的開源和極致的AI短劇產(chǎn)品能力，為用戶帶來低成本實現(xiàn)AI短劇創(chuàng)作的可能性、突破行業(yè)目前視頻生成一致性差的問題，讓大眾通過自己的電腦生成精細且可控的人物表演。

昆侖萬維董事長兼CEO方漢表示，“AIGC能力的出現(xiàn)，包括我們現(xiàn)在做的視頻生成能力的出現(xiàn)，一定會將一部好萊塢大片質(zhì)量的電影制作成本，從現(xiàn)在的一億美金，讓其迅速下降到幾十萬美金甚至幾千美金，幾年之后幾百美金都是有可能的。這樣會讓所有語言的人都會用AI來創(chuàng)作屬于本民族的內(nèi)容產(chǎn)品。這樣的結(jié)果將會實現(xiàn)文化的平權(quán)，而這個紅利，很有可能是中國企業(yè)去吃到”。

此次開源的視頻大模型，不僅是一次技術(shù)突破，有助于縮小全球內(nèi)容產(chǎn)業(yè)的數(shù)字鴻溝，更是文化產(chǎn)業(yè)生產(chǎn)力的一次革命。未來，短劇與游戲、虛擬現(xiàn)實等領(lǐng)域的跨界發(fā)展，將會加速產(chǎn)業(yè)融合。AI短劇也有希望從“技術(shù)實驗”邁向“主流創(chuàng)作”，成為全球文化輸出的新載體。

“實現(xiàn)通用人工智能，讓每個人更好地塑造和表達自我”是公司的使命，未來，昆侖萬維及SkyReels還將開源更多視頻生成模型和算法、通用模型，通過開源實現(xiàn)AGI平權(quán)，推動AI短劇生態(tài)的持續(xù)建設(shè)和繁榮，促進開源社區(qū)、開發(fā)生態(tài)以及AI行業(yè)的發(fā)展。