Skyreels V1 Hunyuan T2V

🚀 SkyReels V1：以人類為中心的視頻基礎模型

SkyReels V1是首個且最先進的開源、以人類為中心的視頻基礎模型。它通過在O(10M)高質量影視片段上微調 混元視頻 模型，具備多方面優勢，能助力文本到視頻的生成。

🌐 Github · 👋 在線體驗 · 💬 Discord交流

本倉庫包含SkyReels V1文本到視頻模型的Diffusers格式模型權重。你可以在我們的GitHub倉庫 SkyReels-V1 找到推理代碼。

🚀 快速開始

本倉庫提供了SkyReels V1文本到視頻模型的Diffusers格式模型權重，具體推理代碼可在 SkyReels-V1 查看。

✨ 主要特性

1. 開源領先

我們的文本到視頻模型在開源模型中達到了最先進（SOTA）的性能，可與Kling和海洛等專有模型相媲美。

2. 先進的面部動畫

能夠捕捉33種不同的面部表情，擁有400多種自然動作組合，準確反映人類情感。

3. 電影級燈光和美學

在高質量好萊塢級影視數據上進行訓練，每個生成的幀在構圖、演員定位和拍攝角度上都展現出電影級的品質。

4. 自主研發的數據清洗和標註流程

我們的模型基於自主研發的數據清洗和標註流程構建，創建了一個包含高質量電影、電視和紀錄片內容的龐大數據集。

• 表情分類：將人類面部表情分為33種不同類型。
• 角色空間感知：利用3D人體重建技術理解視頻中多個人物之間的空間關係，實現電影級的角色定位。
• 動作識別：構建了400多個動作語義單元，以實現對人類動作的精確理解。
• 場景理解：對服裝、場景和情節進行跨模態關聯分析。

5. 多階段圖像到視頻預訓練

我們受 混元視頻 設計啟發的多階段預訓練流程包括以下階段：

• 階段1：模型領域遷移預訓練：我們使用一個大型數據集（O(10M)的影視內容）使文本到視頻模型適應以人類為中心的視頻領域。
• 階段2：圖像到視頻模型預訓練：我們通過調整卷積輸入參數將階段1的文本到視頻模型轉換為圖像到視頻模型。然後在階段1使用的相同數據集上對這個新模型進行預訓練。
• 階段3：高質量微調：我們在原始數據集的高質量子集上對圖像到視頻模型進行微調，確保卓越的性能和質量。

📚 詳細文檔

模型介紹

使用說明

詳情請參閱 使用指南。

引用信息

@misc{SkyReelsV1,
  author = {SkyReels-AI},
  title = {Skyreels V1: Human-Centric Video Foundation Model},
  year = {2025},
  publisher = {Huggingface},
  journal = {Huggingface repository},
  howpublished = {\url{https://huggingface.co/Skywork/SkyReels-V1-Hunyuan-T2V}}
}

📄 許可證

本項目採用Apache-2.0許可證。