Seedance2.0炸場后，又一中國黑馬登頂AA榜單！AI味沒了

新智元報道

編輯：犀牛 Aeneas

【新智元導(dǎo)讀】當Seedance 2.0刷屏全網(wǎng)時，一匹中國黑馬已悄然沖上全球AI視頻榜第二。昆侖天工SkyReels-V4強勢殺入頂級牌桌，多模態(tài)輸入、音畫同步直出影院級大片，實力驚艷超群！

最近，全球AI圈風頭最盛的模型當屬Seedance 2.0了。

模型一出，瞬間引爆全網(wǎng)。

就當所有人的目光都聚焦在Seedance 2.0的狂歡與爭議上時，一匹黑馬已悄然殺入了全球AI榜單的頂級牌桌。

就在剛剛，Artificial Analysis更新了文本到視頻（含音頻）全球榜單。

在這份由OpenAI、Google、Anthropic等頭部AI公司共同認可的權(quán)威排行榜上，一個來自中國的名字闖入了最前列：

昆侖天工SkyReels-V4，全球現(xiàn)役模型排名第2，歷史所有模型排名第4！

Artificial Analysis 榜單： https://artificialanalysis.ai/video/leaderboard/text-to-video?audio-output=true

在這個匯聚了Veo 3.1、Sora 2、Kling 3.0、Wan 2.6等全球頂尖選手的競技場上，SkyReels-V4以實打?qū)嵉募夹g(shù)硬實力，一舉超越了絕大多數(shù)明星產(chǎn)品。

這不是一次偶然的驚艷亮相，而是昆侖天工在 AI 視頻大模型領(lǐng)域厚積薄發(fā)的一次集中爆發(fā)。

先看效果

SkyReels-V4 到底能做什么？

空談數(shù)據(jù)，不如直接看能力。

SkyReels-V4的野心遠不止于「生成一段好看的視頻」。

它想要做的，是成為全球首個同時支持多模態(tài)輸入、聯(lián)合音視頻生成、統(tǒng)一生成/修復(fù)/編輯任務(wù)的視頻基礎(chǔ)模型。

舉幾個直觀的例子。

比如現(xiàn)在最火的短劇。只需要兩個角色圖片，以及角色的臺詞即可。

輸入SkyReels-V4后，它直接就生成了一段1080p、32FPS、15秒的影院級視頻。

這個效果，已經(jīng)基本上沒啥AI味了。

歪果仁也沒問題。

不得不說，真的很難看出是AI生成的。

同時給多個參考圖像和音頻輸入，三個角色分別是一只黑貓、一只澳大利亞牧牛犬和一只棕熊。

仔細看，畫面和聲音完全對得上，節(jié)奏卡得基準，嘴型都嚴絲合縫，挑不出毛病。

SkyReels-V4最讓人眼前一亮的能力，就是讓你擁有多模態(tài)參考的創(chuàng)作自由。

假設(shè)你手頭有兩張角色設(shè)計圖、一段舞蹈動作的參考視頻，你可以把這三者同時丟給SkyReels-V4，它會忠實地用兩張圖像的角色外觀，執(zhí)行視頻中的舞蹈動作，配合音頻的節(jié)奏律動，生成一段全新的、高質(zhì)量的視頻作品。

這種跨模態(tài)的精準融合控制能力，在當前的視頻大模型中幾乎是獨一份。

比如這段經(jīng)典電影中男女演員隨音樂起舞的視頻，質(zhì)感極其驚艷。

舞蹈演員換成邊牧和英短，效果也是同樣自然。

可以說，SkyReels-V4真正做到了角色一致性、高質(zhì)量動作生成、精準音畫同步、電影級的視覺呈現(xiàn)，幾乎可以直接用于商業(yè)級展示。

首幀參考功能，可以讓它的多模態(tài)控制更為靈活。

輸入以下首幀，我們就分別得到了喝咖啡的兵馬俑、拉小提琴的陶俑和打排球的labubu。

運動參考功能，可以把跳舞的舞者一鍵換成動漫角色，動作絕對一致。

另外，SkyReels-V4的一站式全流程修復(fù)編輯功能，也是好用到爆。

如果視頻中有個礙眼的水印，可 以直接去掉。

一句prompt，就能去掉短劇中的特定人物，比如下面鏡頭中穿旗袍和穿紅裙的女演員。

角色的衣服不滿意？直接一鍵修改。比如這位舉杠鈴的老人，白背心一鍵被變成了藍色T恤，畫面自然得看不出改動痕跡。

甚至，你可以把整個視頻的風格從寫實一鍵切換到樂高積木風。

古裝劇這種寫實、厚重的影像風格，都能瞬間變成充滿童趣和創(chuàng)意的視覺表達，而且動作、鏡頭調(diào)度和劇情節(jié)奏依然保留，風格遷移完成度驚人。

也就是說，從此創(chuàng)作者再也不會被單一美術(shù)風格綁定，同一段內(nèi)容，可以根據(jù)商業(yè)需求快速切換視覺語言，在史詩、卡通動畫、積木玩具風之間來回切換。

這就打開了IP二次創(chuàng)作和品牌聯(lián)名的空間，讓內(nèi)容的商業(yè)想象力空間暴漲。

SkyReels-V4還能幫我們把靜態(tài)的鏡頭，變成電影級的推拉搖移。

原本只是一個男人坐在原地拋著橘子，畫面像監(jiān)控一樣靜止、沒有起伏。

但加入鏡頭語言后，原本靜態(tài)的記錄畫面，一下子就有了呼吸感，被轉(zhuǎn)化為極有敘事張力和節(jié)奏設(shè)計的電影級運鏡。

更方便的是，過去你需要在Premiere、AE、各種AI工具之間反復(fù)切換才能完成的工作。

現(xiàn)在，SkyReels-V4一個模型就能全部搞定了。

三大創(chuàng)新打破行業(yè)天花板

SkyReels-V4 的強悍表現(xiàn)背后，是三項關(guān)鍵技術(shù)突破。

技術(shù)報告入口： https://arxiv.org/pdf/2602.21818

第一，雙流 MMDiT 架構(gòu)——讓音視頻真正「合為一體」。

當前主流的視頻生成模型在處理音頻時，普遍采用「先生成視頻，再后貼音頻」的淺層融合方案，這種做法導(dǎo)致的結(jié)果就是音畫不同步、唇形對不上、音效跟畫面割裂。

SkyReels-V4 徹底換了一種思路。

它采用對稱雙流架構(gòu)設(shè)計：視頻和音頻各有一條獨立的處理分支，但兩條分支共享同一個文本編碼器，并通過雙向跨注意力機制在整個網(wǎng)絡(luò)的所有層級上實現(xiàn)深度交互。

簡單來說，視頻在生成的每一步都在「聽」音頻在做什么，音頻在生成的每一步都在「看」視頻在做什么——它們不是各干各的、最后拼在一起，而是從一開始就在互相引導(dǎo)、協(xié)同生長。

為了解決音頻和視頻在時間尺度上的天然不匹配問題（視頻是一幀一幀的，音頻是連續(xù)波形的），團隊還創(chuàng)新性地使用了RoPE頻率縮放技術(shù)，將音頻的位置編碼頻率精確地調(diào)整為與視頻幀率相匹配的比例，實現(xiàn)了毫秒級的時間對齊精度。

這就是為什么SkyReels-V4的唇形同步能做到如此的準確率——因為音視頻從生成機制的底層就是綁定的。

第二，統(tǒng)一拼接框架——一個模型，包攬所有視頻操作。

傳統(tǒng)的視頻AI工具鏈是碎片化的：文生視頻用一個模型，圖生視頻用另一個，視頻修復(fù)用第三個，風格遷移用第四個……每切換一個工具，都意味著上下文信息的丟失和創(chuàng)作流程的斷裂。

SkyReels-V4提出了一個精巧的「通道拼接+時序拼接」雙維統(tǒng)一范式。

它的核心思想是：無論你想做什么任務(wù)——文字生成視頻、圖片生成視頻、視頻延展、區(qū)域修復(fù)、風格遷移、物體移除——本質(zhì)上都可以被轉(zhuǎn)化為「給定某些已知條件，生成未知區(qū)域」的修復(fù)問題。

通過一組靈活的輸入組件，模型只需要調(diào)整掩碼配置就能在不同任務(wù)間無縫切換。

比如文生視頻時掩碼全為0（完全從零生成），圖生視頻時只有首幀掩碼為1（鎖定參考圖，續(xù)寫后續(xù)畫面），視頻編輯時保留區(qū)域掩碼為1、編輯區(qū)域掩碼為0（只改你想改的部分）。

這種設(shè)計的優(yōu)雅之處在于：用戶不需要關(guān)心底層在調(diào)用哪個功能模塊，只需要告訴模型「我想要什么」，模型自己就能理解并執(zhí)行。

它讓專業(yè)級視頻創(chuàng)作從「工具鏈操作」變成了「意圖表達」。

第三，高效生成策略——在質(zhì)量和速度之間找到最優(yōu)解。

1080p分辨率、32FPS幀率、15秒時長——這個規(guī)格參數(shù)放在一年前，光是計算量就足以勸退大多數(shù)研究團隊。

SkyReels-V4的工程團隊設(shè)計了一套巧妙的「低分辨率全序列 + 高分辨率關(guān)鍵幀」聯(lián)合生成策略：模型先快速生成低分辨率的完整視頻和高分辨率的關(guān)鍵幀，再通過專門的超分辨率和幀插值模塊重構(gòu)最終的高質(zhì)量視頻。

配合自研的視頻稀疏注意力（VSA）機制，注意力計算成本降低了約3倍，讓影院級規(guī)格的視頻生成真正具備了實用價值。

此外，模型還采用了多階段漸進式訓練策略——從256px的文本到圖像預(yù)訓練起步，逐步擴展到480p、720p、1080p的多分辨率訓練，最后通過大規(guī)模多模態(tài)數(shù)據(jù)和精選高質(zhì)量數(shù)據(jù)的微調(diào)進行精打細磨。

這種「由粗到精」的訓練路徑，確保了模型在每個分辨率等級上都有扎實的基礎(chǔ)能力。

視頻+音樂

未來市場爆發(fā)的金礦

SkyReels-V4 并不是一個孤立的產(chǎn)品——它是昆侖天工「全模態(tài) AI 創(chuàng)作生態(tài)」拼圖中的關(guān)鍵一塊。

昆侖天工旗下還有一個同樣在全球市場打出聲量的產(chǎn)品：AI 音樂創(chuàng)作平臺 Mureka。

Mureka O1 是全球首個引入 CoT（思維鏈）技術(shù)的音樂推理大模型，在音樂創(chuàng)作質(zhì)量上全面超越了 Suno 等競品，登頂 SOTA。

最新的 Mureka V8 在音色、演奏技法、情感表達上持續(xù)突破，用戶遍布全球 100 多個國家和地區(qū)。

當我們把 SkyReels-V4 的視頻生成能力和 Mureka 的音樂創(chuàng)作能力放在一起看，一個巨大的想象空間打開了：一家公司同時擁有全球頂尖的視頻大模型和音樂大模型，從畫面到聲音、從配樂到人聲、從特效到情感表達，全鏈路打通。

這意味著一個品牌方可以用一句話描述自己想要的廣告創(chuàng)意，從畫面、配樂、旁白到音效，一站式生成完整的視頻廣告。

一個獨立音樂人可以把自己創(chuàng)作的歌曲直接變成高質(zhì)量MV，不需要再花費數(shù)萬元請拍攝團隊。

一個教育機構(gòu)可以把課程內(nèi)容自動轉(zhuǎn)化為配有講解語音、背景音樂和動態(tài)畫面的教學視頻。

在當前的 AI 市場上，同時在視頻和音樂兩個賽道都達到全球領(lǐng)先水平的玩家，屈指可數(shù)。

可以說，視頻+音樂的未來市場，是一座亟待爆發(fā)的金礦。

國外大廠已經(jīng)紛紛下手，比如谷歌推出的Veo 3與Flow工具鏈，能同時生成視覺內(nèi)容與音樂軌道，甚至整段視頻和聲音都能按需生成，直接就能一站式創(chuàng)作短片。

Adobe在Firefly中新增了AI Soundtrack與AI Voice-over生成器，可以根據(jù)視頻風格自動生成背景音樂，由此，廣告視頻可以自動配樂，影視預(yù)告片可以快速做出Demo。

美國AI語音/音樂公司ElevenLabs發(fā)布了與著名音樂人合作的AI生成項目，同時計劃結(jié)合視頻和音樂創(chuàng)作。

本質(zhì)上，這條路線也是視頻+音樂創(chuàng)意協(xié)同生成的未來方向。

ElevenLabs的最新項目：Liza Minnelli和Art Garfunkel

現(xiàn)在，這些大廠嘗試的路徑，昆侖萬維已經(jīng)完美復(fù)現(xiàn)！

SkyReels-V4的出現(xiàn)，恰逢其時

昆侖天工的技術(shù)報告已經(jīng)明確展示，SkyReels-V4和Mureka之間的技術(shù)協(xié)同已經(jīng)在實際產(chǎn)品中落地——此前發(fā)布的全網(wǎng)首支AI音樂人MV，音樂由Mureka生成，視頻由SkyReels技術(shù)支撐，就是這種全模態(tài)能力的一次預(yù)演。

巧合的是，AI視頻生成市場正處于一個微妙的轉(zhuǎn)折點。

Seedance 2.0的橫空出世毫無疑問攪動了整個行業(yè)，馮驥稱其「Kill the game」，影視颶風的Tim連呼六次「恐怖」，海外社交平臺上一碼難求。

但硬幣的另一面是：Seedance 2.0在爆紅的同時迅速遭遇了風控收緊，大量被Seedance 2.0驚艷效果吸引、但因風控收緊的創(chuàng)作者，正在積極尋找替代方案。

SkyReels-V4恰好在這個時間窗口，交出了一份足夠硬核的成績單。

更重要的是，SkyReels-V4 的「全模態(tài)參考」能力——支持文本、圖像、視頻、掩碼、音頻等多種輸入組合——在功能覆蓋度上甚至比Seedance 2.0更為全面。

對于那些需要穩(wěn)定、專業(yè)、全流程視頻創(chuàng)作能力的用戶來說，SkyReels-V4 提供了一個值得認真考慮的選擇。

當然，AI視頻生成是一個百花齊放的賽道，每個模型都有自己的優(yōu)勢和適用場景。

但SkyReels-V4用這次榜單成績證明了一件事：在這場全球競技中，中國AI視頻技術(shù)不只有一個選項。

持續(xù)迭代的長期主義

回顧昆侖天工在視頻大模型領(lǐng)域的發(fā)展軌跡，你會發(fā)現(xiàn)SkyReels-V4的崛起絕非偶然。

• 2025年2月，開源SkyReels-V1——中國首個面向AI短劇創(chuàng)作的視頻生成模型，基于千萬級級影視數(shù)據(jù)訓練，支持 33 種微表情和 400 多種動作組合。

• 2025年4月，發(fā)布SkyReels-V2——全球首個使用擴散強迫（Diffusion Forcing）框架的無限時長電影生成模型，在VBench1.0評測中拿下開源最高分。

• 2026年1月，開源SkyReels-V3——新一代多模態(tài)視頻生成系統(tǒng)，支持1-4 張參考圖像輸入，實現(xiàn)多主體視頻生成、音頻驅(qū)動和視頻到視頻生成。

• 2026年2月，SkyReels-V4發(fā)布——全球首個同時支持多模態(tài)輸入、聯(lián)合音視頻生成、統(tǒng)一全場景任務(wù)的視頻基礎(chǔ)模型，Artificial Analysis全球榜 TOP2。

從 V1 到 V4，每一代的迭代都不是簡單的參數(shù)堆疊，而是架構(gòu)層面的創(chuàng)新突破。

V1 解決了影視級質(zhì)感的問題，V2 攻克了無限時長生成的難題，V3 引入了多模態(tài)參考能力，V4 則實現(xiàn)了音視頻聯(lián)合生成和全場景統(tǒng)一框架的終極整合。

這種持續(xù)創(chuàng)新迭代的節(jié)奏，配合 Mureka 在 AI 音樂領(lǐng)域的領(lǐng)先地位、Skywork 系列在大語言模型和多模態(tài)推理上的突破、以及 DramaWave 短劇平臺的商業(yè)化落地，昆侖天工正在構(gòu)建一個覆蓋「算力—模型—應(yīng)用」的完整 AI 生態(tài)閉環(huán)。

AI 視頻創(chuàng)作的

「大一統(tǒng)」時刻正在到來

站在2026年初回望，AI視頻生成領(lǐng)域在過去一年經(jīng)歷了翻天覆地的變化。

從Sora掀起的第一波浪潮，到Veo、Kling、Seedance等模型的百家爭鳴，再到SkyReels-V4以「全模態(tài)參考+音視頻聯(lián)合生成+統(tǒng)一任務(wù)框架」的三位一體能力沖上全球榜單前列——我們正在見證一個新時代的開啟。

在這個時代里，視頻創(chuàng)作不再是專業(yè)團隊的專屬特權(quán)，而是每一個有創(chuàng)意的人都能觸及的表達方式。

而SkyReels-V4所代表的技術(shù)方向——用一個模型、一次操作，完成從文字構(gòu)思到音視頻成品的全流程創(chuàng)作——正是通往那個未來的最清晰路徑。

昆侖天工在技術(shù)報告中透露了未來三大方向：擴展更長時長（30 秒+）的視頻生成能力、增強實時交互編輯功能、開放模型API接口與更多創(chuàng)作工具生態(tài)集成。

這些方向中的每一個，都將進一步拉近AI視頻創(chuàng)作與專業(yè)影視制作之間的距離。

AI 視頻的競賽遠未結(jié)束，但SkyReels-V4已經(jīng)用全球TOP2的成績證明：在這條賽道上，來自中國昆侖天工的聲音，值得全世界傾聽。