---

license: other license_name: skywork-license license_link: LICENSE pipeline_tag: image-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もリリース。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

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。

📑 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] プロンプト拡張機能
• [ ] 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できます:

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してください:

シングルGPU推論

• 長い動画生成のためのDiffusion Forcing

Diffusion Forcingバージョンのモデルは無限長の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、同期と非同期の両モードで推論できます。ここでは長い動画生成のための2つの実行スクリプトを例として示します。動画の長さや推論モードなどのパラメータ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、曲がった首と繊細な羽、水面に完璧に映る影、時々餌を求めて頭を水に浸す" \
  --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、曲がった首と繊細な羽、水面に完璧に映る影、時々餌を求めて頭を水に浸す" \
  --addnoise_condition 20 \
  --offload

注意:

• **画像から動画(I2V)タスクを実行したい場合は、--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です。この数値は指定された時間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す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、同期生成で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。計算が難しく適切な値を設定するのが難しい場合は、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、非同期推論は指示の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は、--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。

• プロンプト拡張機能

プロンプト拡張機能はQwen2.5-32B-Instructに基づいて実装されており、--prompt_enhancerパラメータを使用して利用されます。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+であることに注意してください。拡張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を使用している場合、--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にカスタマイズできる主要なパラメータです:

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いて選択）
--num_frames	97または121	生成する総フレーム数（540Pモデルには97、720Pモデルには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には8.0、I2Vには5.0）
--guidance_scale	6.0または5.0	テキスト遵守強度を制御（T2Vには6.0、I2Vには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使用量を減らすために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を使用したマルチGPUアクセラレーションを有効化
--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	高速推論のための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	非同期推論を制御（同期モードには0）
--base_num_frames	97または121	ベースフレーム数（540Pには97、720Pには121）
--overlap_history	17	長い動画のスムーズな遷移のためのオーバーラップフレーム数
--addnoise_condition	20	長い動画生成の一貫性を向上
--causal_block_size	5	非同期推論（--ar_step > 0）使用時に推奨

xDiT USPを使用したマルチGPU推論

xDiT USPを使用して推論を高速化します。例えば、2つのGPUで動画を生成するには、次のコマンドを使用できます:

• 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、曲がった首と繊細な羽、水面に完璧に映る影、時々餌を求めて頭を水に浸す" \
  --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は、--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制約された動画時間（5-10秒）、および一般的な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に、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トレーニング、強化学習、およびDiffusion Forcing技術を統合して包括的な最適化を達成します。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トレーニング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、および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ています。

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基礎モデルに基づいて構築された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%	57.5%
is_main_subject	58.5%	68.7%	69.7%