🚀 SkyReels V1：以人类为中心的视频基础模型

SkyReels V1是首个且最先进的开源、以人类为中心的视频基础模型。它通过在O(10M)高质量影视片段上微调 混元视频 模型，具备多方面优势，能助力文本到视频的生成。

🌐 Github · 👋 在线体验 · 💬 Discord交流

本仓库包含SkyReels V1文本到视频模型的Diffusers格式模型权重。你可以在我们的GitHub仓库 SkyReels-V1 找到推理代码。

🚀 快速开始

本仓库提供了SkyReels V1文本到视频模型的Diffusers格式模型权重，具体推理代码可在 SkyReels-V1 查看。

✨ 主要特性

1. 开源领先

我们的文本到视频模型在开源模型中达到了最先进（SOTA）的性能，可与Kling和海洛等专有模型相媲美。

2. 先进的面部动画

能够捕捉33种不同的面部表情，拥有400多种自然动作组合，准确反映人类情感。

3. 电影级灯光和美学

在高质量好莱坞级影视数据上进行训练，每个生成的帧在构图、演员定位和拍摄角度上都展现出电影级的品质。

4. 自主研发的数据清洗和标注流程

我们的模型基于自主研发的数据清洗和标注流程构建，创建了一个包含高质量电影、电视和纪录片内容的庞大数据集。

• 表情分类：将人类面部表情分为33种不同类型。
• 角色空间感知：利用3D人体重建技术理解视频中多个人物之间的空间关系，实现电影级的角色定位。
• 动作识别：构建了400多个动作语义单元，以实现对人类动作的精确理解。
• 场景理解：对服装、场景和情节进行跨模态关联分析。

5. 多阶段图像到视频预训练

我们受 混元视频 设计启发的多阶段预训练流程包括以下阶段：

• 阶段1：模型领域迁移预训练：我们使用一个大型数据集（O(10M)的影视内容）使文本到视频模型适应以人类为中心的视频领域。
• 阶段2：图像到视频模型预训练：我们通过调整卷积输入参数将阶段1的文本到视频模型转换为图像到视频模型。然后在阶段1使用的相同数据集上对这个新模型进行预训练。
• 阶段3：高质量微调：我们在原始数据集的高质量子集上对图像到视频模型进行微调，确保卓越的性能和质量。

📚 详细文档

模型介绍

使用说明

详情请参阅 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}}
}

📄 许可证

本项目采用Apache-2.0许可证。