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

SkyReels V2: 無限長映像生成モデル

📑 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、無限長映像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、公開モデルの中でSOTA性能を達成する初めてのオープンソース動画生成モデルです。

🔥🔥🔥 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合成を可能にします。
• 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も公開。任意の視覚要素を組み立て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を公開。人間中心の動画基盤モデルとして初めてかつ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と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

• 長尺動画生成のための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→動画(T2V)と画像→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。ここでは長尺動画生成のための2つの実行スクリプトを例示します。動画の長さや推論モードなどパラメータを調整したい場合は、以下の注意事項を先にお読みください。

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 "夜明けの静かな湖を優雅に泳ぐ白鳥。首を優雅に曲げ、繊細な羽根を広げながら、霧立ち込める水面に完璧な反射を見せ、時折水中に頭を突っ込んで餌を取る様子。" \
  --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 "夜明けの静かな湖を優雅に泳ぐ白鳥。首を優雅に曲げ、繊細な羽根を広げながら、霧立ち込める水面に完璧な反射を見せ、時折水中に頭を突っ込んで餌を取る様子。" \
  --addnoise_condition 20 \
  --offload

注意:

• **画像→動画(I2V)タスクを実行する場合、--image ${image_path}をコマンドに追加してください。また、最初のフレーム画像の説明を含むテキスト→動画(T2V)**的なプロンプトを使用するのが良いでしょう。
• 長尺動画生成では、--num_framesを切り替えるだけです。例えば、--num_frames 257は10秒動画、--num_frames 377は15秒動画、--num_frames 737は30秒動画、--num_frames 1457は60秒動画に対応します。この数値は厳密な論理フレーム数と一致しませんが、特定の訓練パラメータに沿っており、より良い結果が得られます。causal_block_size > 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を使用します。非同期推論時は--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。各イテレーションでモデルに入力されるフレーム潜在変数の数（例：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(237-97-(97-17)x1+17-1)//4+1=20）がcausal_block_sizeで割り切れる必要があることに注意してください。計算が難しい場合は、上記の推奨設定を使用してください。非同期推論は全体のシーケンスを拡散するのに多くのステップを要するため、同期モードより遅くなります。実験では、非同期推論は指示追従と視覚的一貫性の性能を向上させる可能性があります。
• ピークVRAMを減らすには、生成長--num_framesを維持したまま--base_num_framesを77や57などに下げます。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尺動画生成をスムーズにするために使用されます。ノイズが大きすぎると一貫性が損なわれる可能性があります。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、14Bモデルでは約51.2GBのピークVRAMが必要です。

• テキスト→動画 & 画像→動画

# テキスト→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→動画(I2V)**モデルを使用する場合、--image ${image_path}パラメータで入力画像を指定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、14Bモデルでは約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、--prompt_enhancerパラメータ経由で利用されます。短いプロンプトに理想的に機能しますが、長いプロンプトの場合、過度に長いプロンプトを生成し、生成動画が過飽和になる可能性があります。--prompt_enhancer使用時はGPUのピークメモリが64G+になることに注意。プロンプトエンハンサーを個別にテストしたい場合は、以下のようにスクリプトを個別に実行できます:

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使用時は--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拡張プロンプトを生成することを推奨します。

高度な設定オプション

以下は動画生成で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で動画を生成する場合:

• 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 "夜明けの静かな湖を優雅に泳ぐ白鳥。首を優雅に曲げ、繊細な羽根を広げながら、霧立ち込める水面に完璧な反射を見せ、時折水中に頭を突っ込んで餌を取る様子。" \
  --addnoise_condition 20 \
  --use_usp \
  --offload \
  --seed 42

• テキスト→動画 & 画像→動画

# テキスト→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→動画(I2V)**モデルを使用する場合、--image ${image_path}パラメータで入力画像を指定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の主要な貢献
  • 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

近年の動画生成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、視覚品質、動的モーション、および時間的長さの調和において重大な課題が残っています: 時間的視覚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限（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に起因す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、現実的な長尺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)、マルチステージ事前学習、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→動画合成、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など、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。さまざまな品質の訓練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。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。訓練後の最適化には、モーション品質を向上させるための強化学習、長尺動画生成のためのDiffusion Forcing訓練、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。モデルは効率的な訓練と推論のために最適化された計算インフラで実行されます。SkyReels-V2はストーリー生成、画像→動画合成、カメラディレクター機能、および要素→動画生成など、複数のアプリケーションをサポートします。

SkyReels-V2の主要な貢献

動画キャプショナー

SkyCaptioner-V1はデータ注釈のため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のキャプショニング結果で訓練されています。バランスの取れた動画データは、概念的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キュレーションされたデータセットです。Qwen2.5-VL-7B-Instruct基盤モデルをベースに、SkyCaptioner-V1はドメイン固有の動画キャプショニングタスクで性能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モデルとの性能を比較するため、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%	57.5%
is_main_subject	58.5%	68.7%	69.7%	80.9%
環境	70.4%	72.7%	61.4%	70. Timesformer Base Finetuned K400 TimeSformerはKinetics-400データセットで事前学習されたビデオ分類モデルで、時空間アテンションメカニズムを用いてビデオ理解を実現します。 動画処理 Transformers T facebook 108.61k 33 Vivit B 16x2 Kinetics400 MIT ViViTはビジョントランスフォーマー(ViT)をビデオ処理向けに拡張したもので、特にビデオ分類タスクに適しています。 動画処理 Transformers V google 56.94k 32 Animatediff Motion Lora Zoom In 動的LoRAsは、ズーム、パン、チルト、回転などの特定の種類のモーション効果をアニメーションに追加できます。 動画処理 A guoyww 51.43k 8 Videomae Base VideoMAEはマスクオートエンコーダ(MAE)に基づくビデオ自己教師あり事前学習モデルで、マスクされたビデオブロックのピクセル値を予測することでビデオ内部表現を学習します。 動画処理 Transformers V MCG-NJU 48.66k 45 Dfot MIT 任意の数のコンテキストフレームから高品質なビデオを生成できる新しいビデオ拡散モデル 動画処理 D kiwhansong 47.19k 6 Videomae Base Finetuned Kinetics VideoMAEはマスクオートエンコーダ(MAE)に基づく動画自己教師あり事前学習モデルで、Kinetics-400データセットでファインチューニング後、動画分類タスクに使用可能です。 動画処理 Transformers V MCG-NJU 44.91k 34 Mochi 1 Preview Apache-2.0 Genmoが開発した高品質ビデオ生成モデルで、優れた動き表現力と正確なプロンプト追従能力を備えています 動画処理 英語 M genmo 27.13k 1,216 Animatediff Motion Lora Zoom Out 動的LoRAsはアニメーションに特定のタイプの動き効果を追加できます 動画処理 A guoyww 11.43k 5 Ppo SpaceInvadersNoFrameskip V4 これはPPOアルゴリズムに基づく強化学習エージェントで、SpaceInvadersNoFrameskip-v4ゲーム環境でのトレーニングとプレイに特化しています。 動画処理 P sb3 8,999 0 Stable Video Diffusion Img2vid Xt 1 1 その他 Stable Video Diffusion (SVD) 1.1 は拡散モデルベースの画像から動画への変換ツールで、静止画像を条件フレームとして短い動画クリップを生成できます。 動画処理 S vdo 8,560 28 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