license: other license_name: skywork-license license_link: LICENSE pipeline_tag: text-to-video

SkyReels V2: 無限長動画生成モデル

📑 技術レポート · 👋 プレイグラウンド · 💬 Discord · 🤗 Hugging Face · 🤖 ModelScope · 🌐 GitHub

SkyReels V2リポジトリへようこそ！ここでは、無限長動画生成モデルの重みを公開しています。私たちの知る限り、これはAutoRegressive Diffusion-Forcingアーキテクチャを採用した最初のオープンソース動画生成モデルであり、公開モデルの中でSOTA性能を達成しています。

🔥🔥🔥 最新情報！！

• 2025年4月24日: 🔥 720Pモデル、SkyReels-V2-DF-14B-720PとSkyReels-V2-I2V-14B-720Pをリリース。前者は無限長の自己回帰的動画生成を、後者はImage2Video合成に特化しています。
• 2025年4月21日: 👋 SkyReels-V2シリーズモデルの推論コードと重み、および動画キャプションモデルSkyCaptioner-V1を公開。
• 2025年4月3日: 🔥 SkyReels-A2もリリース。任意の視覚要素を組み合わせ可能な制御可能な動画生成フレームワークです。
• 2025年2月18日: 🔥 SkyReels-A1を公開。ポートレート画像アニメーションのための効果的なオープンソースフレームワークです。
• 2025年2月18日: 🔥 SkyReels-V1をリリース。人間中心の動画基盤モデルとして最初で最も先進的なオープンソースモデルです。

🎥 デモ

📑 今後の予定

• [x] 技術レポート
• [x] 14Bおよび1.3Bモデルシリーズのチェックポイント
• [x] シングルGPU＆マルチGPU推論コード
• [x] SkyCaptioner-V1: 動画キャプションモデル
• [x] プロンプトエンハンサー
• [ ] Diffusers統合
• [ ] 5Bモデルシリーズのチェックポイント
• [ ] カメラディレクターモデルのチェックポイント
• [ ] ステップ＆ガイダンス蒸留モデルのチェックポイント

🚀 クイックスタート

インストール

# リポジトリをクローン
git clone https://github.com/SkyworkAI/SkyReels-V2
cd SkyReels-V2
# 依存関係をインストール。テスト環境はPython 3.10.12を使用
pip install -r requirements.txt

モデルダウンロード

Hugging Faceからモデルをダウンロード可能:

ダウンロード後、生成コマンドでモデルパスを設定:

シングルGPU推論

• 長い動画生成のためのDiffusion Forcing

Diffusion Forcingバージョンモデルは無限長動画生成を可能にします。このモデルは**テキストから動画(T2V)と画像から動画(I2V)**の両タスクをサポートし、同期・非同期両モードで推論可能です。ここでは長い動画生成の例として2つの実行スクリプトを示します。推論パラメータ（動画の長さ、推論モードなど）を調整したい場合は、まず以下の注意事項をお読みください。

10秒動画の同期生成

model_id=Skywork/SkyReels-V2-DF-14B-540P
# 同期推論
python3 generate_video_df.py \
  --model_id ${model_id} \
  --resolution 540P \
  --ar_step 0 \
  --base_num_frames 97 \
  --num_frames 257 \
  --overlap_history 17 \
  --prompt "夜明けの静かな湖で優雅に泳ぐ白鳥。首を曲げ、繊細な羽根を広げ、水面に完璧な反射を作り出している。霧が立ち込める中、時折頭を水に浸して餌を探す。" \
  --addnoise_condition 20 \
  --offload \
  --teacache \
  --use_ret_steps \
  --teacache_thresh 0.3

30秒動画の非同期生成

model_id=Skywork/SkyReels-V2-DF-14B-540P
# 非同期推論
python3 generate_video_df.py \
  --model_id ${model_id} \
  --resolution 540P \
  --ar_step 5 \
  --causal_block_size 5 \
  --base_num_frames 97 \
  --num_frames 737 \
  --overlap_history 17 \
  --prompt "夜明けの静かな湖で優雅に泳ぐ白鳥。首を曲げ、繊細な羽根を広げ、水面に完璧な反射を作り出している。霧が立ち込める中、時折頭を水に浸して餌を探す。" \
  --addnoise_condition 20 \
  --offload

注意:

• **画像から動画(I2V)タスクを実行する場合は、コマンドに--image ${image_path}を追加してください。また、最初のフレーム画像の説明を含むテキストから動画(T2V)**のようなプロンプトを使用するのが良いでしょう。
• 長い動画生成の場合、単に--num_framesを切り替えることができます。例えば、10秒動画には--num_frames 257、15秒動画には--num_frames 377、30秒動画には--num_frames 737、60秒動画には--num_frames 1457です。この数値は指定した時間長の論理フレーム数と完全に一致するわけではありませんが、いくつかのトレーニングパラメータと一致しており、より良いパフォーマンスが得られる可能性があります。因果ブロックサイズ>1で非同期推論を使用する場合、--num_framesは慎重に設定する必要があります。
• 非同期推論を有効にするには--ar_step 5を使用できます。非同期推論時には--causal_block_size 5が推奨されますが、同期生成時には設定しないでください。覚えておいてください、モデルに入力されるフレーム潜在変数の数（例えば、base_num_frames=97の場合(97-1)//4+1=25、base_num_frames=97、num_frames=237、overlap_history=17の場合最後のイテレーションでは(237-97-(97-17)x1+17-1)//4+1=20）は、因果ブロックサイズで割り切れる必要があります。計算が難しすぎると感じたり適切な値を設定できない場合は、上記の推奨設定を使用してください:)。非同期推論はシーケンス全体を拡散するのに多くのステップを要するため、同期モードよりも遅くなります。私たちの実験では、非同期推論は指示追従と視覚的一貫性のパフォーマンスを向上させる可能性があります。
• ピークVRAMを減らすには、生成したい長さ--num_framesを同じに保ちながら、--base_num_framesを（例えば77や57に）下げてください。これにより動画品質がわずかに低下する可能性があり、小さすぎる値に設定しないでください。
• --addnoise_conditionは、クリーンな条件にノイズを加えることで長い動画生成をスムーズにするのに役立ちます。ノイズが大きすぎると一貫性が損なわれる可能性もあります。20が推奨値で、より大きな値を試すこともできますが、50を超えないようにしてください。
• 1.3Bモデルで540P動画を生成するには約14.7GBのピークVRAMが必要で、14Bモデルで同じ解像度の動画を生成するには約51.2GBのピークVRAMが必要です。

• テキストから動画 & 画像から動画

# テキストから動画生成を実行
model_id=Skywork/SkyReels-V2-T2V-14B-540P
python3 generate_video.py \
  --model_id ${model_id} \
  --resolution 540P \
  --num_frames 97 \
  --guidance_scale 6.0 \
  --shift 8.0 \
  --fps 24 \
  --prompt "そびえ立つ山々に囲まれた静かな湖。数羽の白鳥が優雅に水面を滑り、陽光が水面で踊っている。" \
  --offload \
  --teacache \
  --use_ret_steps \
  --teacache_thresh 0.3

注意:

• **画像から動画(I2V)**モデルを使用する場合、--image ${image_path}パラメータを使用して入力画像を提供する必要があります。I2Vモデルには--guidance_scale 5.0と--shift 3.0が推奨されます。
• 1.3Bモデルで540P動画を生成するには約14.7GBのピークVRAMが必要で、14Bモデルで同じ解像度の動画を生成するには約43.4GBのピークVRAMが必要です。

• プロンプトエンハンサー

プロンプトエンハンサーはQwen2.5-32B-Instructをベースに実装されており、--prompt_enhancerパラメータを通じて利用されます。短いプロンプトに対して理想的に機能しますが、長いプロンプトの場合、生成動画が過飽和状態になる可能性のある過度に長いプロンプトを生成する可能性があります。--prompt_enhancerを使用する場合、GPUのピークメモリは64G+になることに注意してください。強化されたプロンプトを個別に取得したい場合は、テストのためにprompt_enhancerスクリプトを個別に実行することもできます。手順は以下の通りです:

cd skyreels_v2_infer/pipelines
python3 prompt_enhancer.py --prompt "そびえ立つ山々に囲まれた静かな湖。数羽の白鳥が優雅に水面を滑り、陽光が水面で踊っている。"

注意:

• --use_uspを使用する場合、--prompt_enhancerは許可されません。--use_uspパラメータを有効にする前に、skyreels_v2_infer/pipelines/prompt_enhancer.pyスクリプトを実行して強化されたプロンプトを生成することをお勧めします。

高度な設定オプション

以下は動画生成のためにカスタマイズ可能な主要パラメータです:

Diffusion Forcing追加パラメータ

xDiT USPを使用したマルチGPU推論

xDiT USPを使用して推論を加速します。例えば、2GPUで動画を生成するには以下のコマンドを使用:

• Diffusion Forcing

model_id=Skywork/SkyReels-V2-DF-14B-540P
# diffusion forcing同期推論
torchrun --nproc_per_node=2 generate_video_df.py \
  --model_id ${model_id} \
  --resolution 540P \
  --ar_step 0 \
  --base_num_frames 97 \
  --num_frames 257 \
  --overlap_history 17 \
  --prompt "夜明けの静かな湖で優雅に泳ぐ白鳥。首を曲げ、繊細な羽根を広げ、水面に完璧な反射を作り出している。霧が立ち込める中、時折頭を水に浸して餌を探す。" \
  --addnoise_condition 20 \
  --use_usp \
  --offload \
  --seed 42

• テキストから動画 & 画像から動画

# テキストから動画生成を実行
model_id=Skywork/SkyReels-V2-T2V-14B-540P
torchrun --nproc_per_node=2 generate_video.py \
  --model_id ${model_id} \
  --resolution 540P \
  --num_frames 97 \
  --guidance_scale 6.0 \
  --shift 8.0 \
  --fps 24 \
  --offload \
  --prompt "そびえ立つ山々に囲まれた静かな湖。数羽の白鳥が優雅に水面を滑り、陽光が水面で踊っている。" \
  --use_usp \
  --seed 42

注意:

• **画像から動画(I2V)**モデルを使用する場合、--image ${image_path}パラメータを使用して入力画像を提供する必要があります。I2Vモデルには--guidance_scale 5.0と--shift 3.0が推奨されます。

目次

• 概要
• SkyReels-V2の方法論
• SkyReels-V2の主な貢献
  • 動画キャプショナー
  • 強化学習
  • Diffusion Forcing
  • 高品質教師ありファインチューニング(SFT)
• 性能
• 謝辞
• 引用

概要

動画生成の最近の進歩は拡散モデルと自己回帰フレームワークによって推進されてきましたが、プロンプト遵守、視覚的品質、動的モーション、および時間長の調和において重要な課題が残っています: 時間的視覚的品質を向上させるための動的モーションの妥協、解像度を優先するための動画時間の制約（5-10秒）、一般的なMLLMがショット構成、俳優の表情、カメラモーションなどの映画文法を解釈できないことから生じるショット認識生成の不十分さ。これらの相互に関連する制限は、現実的な長編合成とプロフェッショナルな映画スタイルの生成を妨げています。

これらの制限に対処するため、私たちはDiffusion Forcingフレームワークを使用した世界初の無限長映画生成モデルであるSkyReels-V2を紹介します。私たちのアプローチは、マルチモーダル大規模言語モデル（MLLM）、多段階事前学習、強化学習、およびDiffusion Forcing技術を統合して包括的な最適化を実現します。技術的革新を超えて、SkyReels-V2はストーリー生成、画像から動画への合成、カメラディレクター機能、およびSkyreels-A2システムを通じたマルチサブジェクト一貫性動画生成を含む複数の実用的なアプリケーションを可能にします。

SkyReels-V2の方法論

SkyReels-V2の方法論はいくつかの相互接続されたコンポーネントで構成されています。さまざまな品質のトレーニングデータを準備する包括的なデータ処理パイプラインから始まります。その中核には、動画コンテンツに詳細な注釈を提供する動画キャプショナーアーキテクチャがあります。このシステムは、基本的な動画生成能力を構築するためのマルチタスク事前学習戦略を採用しています。トレーニング後の最適化には、モーション品質を向上させるための強化学習、拡張動画生成のためのDiffusion Forcingトレーニング、視覚的洗練のための高品質教師ありファインチューニング（SFT）段階が含まれます。モデルは効率的なトレーニングと推論のために最適化された計算インフラストラクチャで実行されます。SkyReels-V2は、ストーリー生成、画像から動画への合成、カメラディレクター機能、および要素から動画への生成を含む複数のアプリケーションをサポートします。

SkyReels-V2の主な貢献

動画キャプショナー

SkyCaptioner-V1は、データ注釈のための私たちの動画キャプションモデルとして機能します。このモデルは、ベースモデルQwen2.5-VL-72B-Instructのキャプショニング結果と、バランスの取れた動画データ上のサブエキスパートキャプショナーでトレーニングされています。バランスの取れた動画データは、概念のバランスと注釈品質を確保するために約200万の動画から慎重に選ばれたデータセットです。Qwen2.5-VL-7B-Instruct基盤モデルを基に構築されたSkyCaptioner-V1は、ドメイン固有の動画キャプショニングタスクでパフォーマンスを向上させるためにファインチューニングされています。SOTAモデルと性能を比較するために、1,000サンプルのテストセットを使用して異なるキャプショニング分野の精度を手動で評価しました。提案されたSkyCaptioner-V1は、ベースラインモデルの中で最高の平均精度を達成し、ショット関連分野で劇的な結果を示しています。

モデル	Qwen2.5-VL-7B-Ins.	Qwen2.5-VL-72B-Ins.	Tarsier2-Recap-7b	SkyCaptioner-V1
平均精度	51.4%	58.7%	49.4%	76.3%
ショットタイプ	76.8%	82.5%	60.2%	93.7%
ショット角度	60.0%	73.7%	52.4%	89.8%
ショット位置	28.4%	32.7%	23.6%	83.1%
カメラモーション	62.0%	61.2%	45.3%	85.3%
表情	43.6%	51.5%	54.3%	68.8%
TYPES_type	43.5%	49.7%	47.6%	82.5%
TYPES_sub_type	38.9%	44.9%	45.9%	75.4%
外観	40.9%	52.0%	45.6%	59.3%
アクション	32.4%	52.0%	69.8%	68.8%
位置	35.4%	48.6%	45.5%	Xclip Base Patch32 MIT X-CLIPはCLIPの拡張版で、汎用ビデオ言語理解のために(ビデオ、テキスト)ペアで対照学習を行い、ビデオ分類やビデオ-テキスト検索などのタスクに適しています。 テキスト生成ビデオ Transformers 英語 X microsoft 309.80k 84 LTX Video その他 DiTベースの初の動画生成モデルで、高品質な動画をリアルタイムに生成可能。テキストから動画、画像+テキストから動画の2つのシナリオに対応。 テキスト生成ビデオ 英語 L Lightricks 165.42k 1,174 Wan2.1 14B VACE GGUF Apache-2.0 Wan2.1-VACE-14BモデルのGGUF形式のバージョンで、主にテキストからビデオの生成タスクに使用されます。 テキスト生成ビデオ W QuantStack 146.36k 139 Animatediff Lightning Openrail 超高速テキスト生成動画モデル、生成速度はオリジナルAnimateDiffの10倍以上 テキスト生成ビデオ A ByteDance 144.00k 925 V Express V-Expressは、オーディオと顔のキーポイント条件に基づいて生成されるビデオ生成モデルで、オーディオ入力を動的なビデオ出力に変換できます。 テキスト生成ビデオ 英語 V tk93 118.36k 85 Cogvideox 5b その他 CogVideoXは清影に由来する動画生成モデルのオープンソース版で、高品質な動画生成能力を提供します。 テキスト生成ビデオ 英語 C THUDM 92.32k 611 Llava NeXT Video 7B Hf LLaVA-NeXT-Videoはオープンソースのマルチモーダルチャットボットで、動画と画像データの混合トレーニングにより優れた動画理解能力を獲得し、VideoMMEベンチマークでオープンソースモデルのSOTAレベルを達成しました。 テキスト生成ビデオ Transformers 英語 L llava-hf 65.95k 88 Wan2.1 T2V 14B Diffusers Apache-2.0 万2.1は、動画生成の境界を突破することを目的とした包括的なオープンな動画基盤モデルで、中英テキストから動画生成、画像から動画生成など様々なタスクをサポートします。 テキスト生成ビデオ 複数言語対応 W Wan-AI 48.65k 24 Wan2.1 T2V 1.3B Diffusers Apache-2.0 万2.1は包括的に開放されたビデオ基盤モデルで、トップクラスの性能、コンシューマー向けGPUサポート、マルチタスク対応、視覚テキスト生成、高効率ビデオVAEなどの特徴を備えています。 テキスト生成ビデオ 複数言語対応 W Wan-AI 45.29k 38 Wan2.1 T2V 14B Apache-2.0 万2.1は包括的なオープンソース動画基盤モデルで、テキストから動画生成、画像から動画生成、動画編集、テキストから画像生成、動画から音声生成など多様なタスクに対応し、日中バイリンガルのテキスト生成をサポートします。 テキスト生成ビデオ 複数言語対応 W Wan-AI 44.88k 1,238 おすすめAIモデル Llama 3 Typhoon V1.5x 8b Instruct タイ語専用に設計された80億パラメータの命令モデルで、GPT-3.5-turboに匹敵する性能を持ち、アプリケーションシナリオ、検索拡張生成、制限付き生成、推論タスクを最適化 大規模言語モデル Transformers 複数言語対応 L scb10x 3,269 16 Cadet Tiny Openrail Cadet-TinyはSODAデータセットでトレーニングされた超小型対話モデルで、エッジデバイス推論向けに設計されており、体積はCosmo-3Bモデルの約2％です。 対話システム Transformers 英語 C ToddGoldfarb 2,691 6 Roberta Base Chinese Extractive Qa RoBERTaアーキテクチャに基づく中国語抽出型QAモデルで、与えられたテキストから回答を抽出するタスクに適しています。 質問応答システム 中国語 R uer 2,694 98 未来を切り開く、あなたのAIソリューション知識ベース English简体中文繁體中文にほんご © 2025AIbase