---

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

SkyReels V2: 無限長フィルム生成モデル

📑 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、無限長フィルム生成モデルのモデル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。

🔥🔥🔥 ニュース！！

• 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モデル重み、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。これは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。これは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。これは最初で最も先進的なオープンソースの人間中心動画基盤モデルです。

🎥 デモ

上記のデモは、SkyReels-V2 Diffusion Forcingモデルで生成された30秒の動画です。

📑 TODOリスト

• [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:

タイプ	モデルバリアント	推奨高さ/幅/フレーム	リンク
Diffusion Forcing	1.3B-540P	544 * 960 * 97f	🤗 Huggingface 🤖 ModelScope
	5B-540P	544 * 960 * 97f	近日公開
	5B-720P	720 * 1280 * 121f	近日公開
	14B-540P	544 * 960 * 97f	🤗 Huggingface 🤖 ModelScope
	14B-720P	720 * 1280 * 121f	🤗 Huggingface 🤖 ModelScope
テキストから動画	1.3B-540P	544 * 960 * 97f	近日公開
	5B-540P	544 * 960 * 97f	近日公開
	5B-720P	720 * 1280 * 121f	近日公開
	14B-540P	544 * 960 * 97f	🤗 Huggingface 🤖 ModelScope
	14B-720P	720 * 1280 * 121f	🤗 Huggingface 🤖 ModelScope
画像から動画	1.3B-540P	544 * 960 * 97f	🤗 Huggingface 🤖 ModelScope
	5B-540P	544 * 960 * 97f	近日公開
	5B-720P	720 * 1280 * 121f	近日公開
	14B-540P	544 * 960 * 97f	🤗 Huggingface 🤖 ModelScope
	14B-720P	720 * 1280 * 121f	🤗 Huggingface 🤖 ModelScope
カメラディレクター	5B-540P	544 * 960 * 97f	近日公開
	5B-720P	720 * 1280 * 121f	近日公開
	14B-720P	720 * 1280 * 121f	近日公開

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

• 長編動画生成のための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。ここでは長編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確認してください。

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。首を曲げ、繊細な羽を広げ、水面に完璧な反射を作り出している。霧が立ち込める中、時折水中に頭を突っ込んで餌を探す。" \
  --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 "夜明けの静かな湖を優雅に泳ぐ白鳥。首を曲げ、繊細な羽を広げ、水面に完璧な反射を作り出している。霧が立ち込める中、時折水中に頭を突っ込んで餌を探す。" \
  --addnoise_condition 20 \
  --offload

注意:

• **画像から動画(I2V)タスクを実行する場合、--image ${image_path}をコマンドに追加してください。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。
• 長編動画生成では、--num_framesを切り替えるだけです。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。この数値は指定した時間長の論理フレーム数と厳密に一致しませんが、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を発揮します。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。各イテレーションでモデルに入力されるフレーム潜在数（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を覚えておいてください。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、生成長--num_framesを同じに保ちながら、--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編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モデルでは同じ解像度で約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モデルでは同じ解像度で約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、生成動画が過飽和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。別途拡張プロンプトを取得したい場合は、prompt_enhancerスクリプトを単独で実行してテストすることもできます。手順は以下の通り:

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拡張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の主要なカスタマイズ可能なパラメータ:

パラメータ	推奨値	説明
--prompt		動画生成のためのテキスト説明
--image		画像から動画生成のための入力画像パス
--resolution	540P または 720P	出力動画解像度（モデルタイプに基づき選択）
--num_frames	97 または 121	生成する総フレーム数（540Pモデルは97、720Pモデルは121）
--inference_steps	50	ノイズ除去ステップ数
--fps	24	出力動画のフレームレート
--shift	8.0 または 5.0	フローマッチングスケジューラパラメータ（T2Vは8.0、I2Vは5.0）
--guidance_scale	6.0 または 5.0	テキスト遵守強度の制御（T2Vは6.0、I2Vは5.0）
--seed		再現可能な結果のための固定シード（ランダム生成の場合は省略）
--offload	True	VRAM使用量削減のためモデルコンポーネントをCPUにオフロード（推奨）
--use_usp	True	xDiT USPによるマルチGPU加速を有効化
--outdir	./video_out	生成動画の保存ディレクトリ
--prompt_enhancer	True	プロンプトをより詳細な説明に拡張
--teacache	False	高速推論のためteacacheを有効化
--teacache_thresh	0.2	高速化が大きいほど品質が低下
--use_ret_steps	False	teacacheのための保持ステップ

Diffusion Forcing追加パラメータ

パラメータ	推奨値	説明
--ar_step	0	非同期推論の制御（0は同期モード）
--base_num_frames	97 または 121	ベースフレーム数（540Pは97、720Pは121）
--overlap_history	17	長編動画のスムーズな遷移のための重複フレーム数
--addnoise_condition	20	長編動画生成の一貫性向上
--causal_block_size	5	非同期推論（--ar_step > 0）使用時の推奨値

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、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 "夜明けの静かな湖を優雅に泳ぐ白鳥。首を曲げ、繊細な羽を広げ、水面に完璧な反射を作り出している。霧が立ち込める中、時折水中に頭を突っ込んで餌を探す。" \
  --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。

コンテンツ

• 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

動画生成の最近の進歩は拡散モデルと自己回帰的フレームワークによって推進されていますが、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大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から生じるショット認識生成の不足。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、Diffusion Forcingフレームワークを使用した世界初の無限長フィルム生成モデル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。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、動的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のキャプション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200万の動画を慎重にキュレーションしたデータセットです。Qwen2.5-VL-7B-Instruct基盤モデルをベースに構築された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%	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