本文首发于 Founder Park 公众号 · 2026 年 3 月 2 日
Seedance 2.0 还在持续震惊行业的时候，AI 视频赛道又有一份权威榜单刷新了，来自昆仑天工的 SkyReels-V4 冲进了最前列。
Artificial Analysis 是目前 AI 领域最有公信力的第三方评测平台之一。它的机制，是让不同模型生成答案，然后由真人用户盲选投票，谁的作品被选中的次数多，谁的 ELO 分就高。整个过程不看品牌，不接受企业自报成绩，OpenAI、Google 这些大厂都在上面被公开打分。
在这份最新的文生视频榜单（带音频）上，SkyReels-V4 排到了第二。ELO 评分 1090，仅落后第一名快手 Kling 3.0 Pro 三分。Google Veo 3.1、OpenAI Sora 2、xAI grok-imagine-video 都排在了它的身后。
在包含所有历史版本的全量排名里，SkyReels-V4 也排到了第四。
值得注意的是，Text To Video Leaderboard（with Audio）不是一个只看「画面好不好看」的榜单，它评的是带音频的完整视频，画面、声音、两者的同步程度，全都算分。
SkyReels-V4 能在这个维度拿到全球第二，说明它做对了一些和大多数视频模型不太一样的事情。
超 22000 人的「AI 产品市集」社群！不错过每一款有价值的 AI 应用。
最新、最值得关注的 AI 新品资讯；
不定期赠送热门新品的邀请码、会员码；
最精准的 AI 产品曝光渠道
01
「万物可参考」的创作自由
要理解 SkyReels-V4 的能力，最直观的方式是看一个案例。
上传一段迈克尔・杰克逊的经典舞蹈视频和一张二次元图片，告诉模型：把舞者替换成这个角色。
 |
几秒钟后，视频里的舞者变成了那个动漫人物，但每一个转身和手势的时机都和原版严丝合缝。
这已经很厉害了，但还没完。换一张狼的图片再试一次。
这回模型需要把一个人类的舞蹈动作，映射到一只四足动物身上。结果狼的动作流畅自然，身体的重心转移和节拍卡点依然对得上原视频。
这说明模型不止是抓取像素的外观，更是本质上理解了动作的语义。
难度还可以继续升级。例如《低俗小说》里乌玛・瑟曼和约翰・特拉沃尔塔的经典扭扭舞，给模型两张图：一只狗，一只猫。指令是把左边的舞者换成狗，右边的换成猫。
这个任务的挑战在于，模型必须同时跟踪两个主体的运动轨迹，分别完成替换，还不能把两边的动作搞混。
SkyReels-V4 交出的结果是：狗和猫各跳各的，动作和原版舞者一一对应，互不干扰。
这套能力叫「运动参考」。对于短视频创作来说，它的想象潜力巨大。一旦你有了一段动作素材作为骨架，就可以把任何形象「穿」上去。同一段舞蹈，今天换成品牌 IP 角色做一版广告素材，明天换成二次元形象做一版粉丝二创，后天换成吉祥物做一版节日版本。
对于短视频创作者和内容团队来说，这意味着素材的复用率被大幅拉高，同一段动作的商业价值可以被反复释放。
02
全栈能力：
整个工作流，一个模型搞定
运动参考只是 SkyReels-V4 多模态参考能力的一个切面。这个模型真正的野心，是覆盖整条视频创作工作流。从生成到编辑，从画面到声音，在一个模型里全部完成。
先看短剧生成。给模型两三张人物照片，再给一段对话剧本，它能直接输出一个带对白、带背景音乐、有正反打镜头切换的短剧片段。
注意了，这是一个真的有镜头语言的视频。男人说话的时候镜头对着男人，切到老人的反应，再切回来，节奏是对的。
更值得关注的是音频部分。生成出来的台词清晰度很高，口型都对。而且带有情绪，紧张、警惕、怀疑，这些在剧本里写的情绪指令，模型都能在语音层面体现出来。仔细听还能听到紧张悬疑的背景音乐，完全契合剧情。这种音频质量放在一年前，单独拿出来都算得上一个独立产品的卖点。
而且它不只支持中文，英文、法语、日语，每种语言的语音都可以由模型原生生成。这意味着同一套角色素材，换一种语言的剧本就能产出另一个版本，对做海外内容的团队来说效率提升非常明显。
 |  |
同样，在视频编辑方面，去水印、抹掉硬字幕、清理台标，也都能轻松搞定。
快速去除字幕
这些过去要靠 After Effects 或者好几个 AI 小工具拼在一起才能完成的操作，现在一个模型、一条指令就能搞定。
它还能做更复杂的事情：给一段女团舞蹈视频里的 C 位舞者凭空加上一顶帽子。
帽子的颜色和细节都跟参考图一致，整段舞蹈就像她本来就戴着这顶帽子跳的。
或者反过来，从一段多人探险视频里把两个人直接删掉，删完之后背景自然补全，没有任何穿帮痕迹。
从生成完整短剧到精细化编辑修复，SkyReels-V4 试图让创作者的工具箱大幅简化：过去需要在好几个软件之间来回切换才能完成的工作流，现在可以在一个模型内完成。
03
魔法背后的技术力
前面展示了这么多能力，一个自然的问题是：为什么这些事情能在同一个模型里完成？
答案藏 昆仑天工 SkyReels-V4 的技术报告里。如果只挑两个最关键的技术点来讲，统一拼接框架解释了「为什么一个模型能干这么多事」，双流 MMDiT 架构解释了「音视频怎么做到真正同步的」。
论文：https://arxiv.org/pdf/2602.21818
先说第一个。SkyReels-V4 之所以能用一个模型干这么多事，核心在于它把所有视频任务都变成了同一种操作。
具体怎么做的？模型的输入被拆成三样东西拼在一起：一段待生成的视频底片、你提供的条件画面、以及一张遮罩。
遮罩的作用是标记哪些区域保留，哪些让模型重新生成。文生视频就是遮罩全空；图生视频就是第一帧锁定；去水印就是把水印的区域挖掉。任务千差万别，但在模型眼里只是遮罩的配置不同。
参考素材的注入是另一个维度。如果你提供了角色照片或动作视频，这些素材会被编码后拼在生成序列的前面，像一本摊开的参考手册。模型生成每一帧时都能回头翻看，从中提取外观、动作和风格信息。这就是为什么你可以同时给它一张角色图和一段舞蹈视频，它能理解「用这个外观，跳那段舞」。
两层拼接配合在一起，就有了一个真正统一的接口：生成、编辑、迁移，全部走同一套框架，同一套参数。
再说第二个。大多数视频模型生成画面之后，音频是后面单独加上去的，两者之间的对齐靠的是后处理。
SkyReels-V4 不是这么做的，它的架构叫「双流 MMDiT」：视频和音频各有一条生成线，但这两条线在每一步都能互相看到对方在做什么。
打个比方，就像两个乐手看着同一份乐谱在合奏：视频这边画到嘴巴张开，音频那边就同步输出对应的语音；音频这边的节拍到了重音的位置，视频那边的动作也跟着卡点。两条线共享同一个文本编码器来理解指令，再通过双向交叉注意力机制在每一步互相校准。
但这里有一个工程上的难题：视频和音频的时间尺度完全不同。视频一秒 32 帧，音频一秒 44100 个采样点，两者的信息密度差了好几个数量级。
SkyReels-V4 用了一个叫 RoPE 频率缩放的技术来解决这个问题。本质上是让音频的时间坐标系「压缩」到和视频对齐，确保两边在注意力计算的时候看到的是同一个时间轴上的对应位置。
这就是为什么前面短剧案例里，多角色对话的唇形和语音能做到毫秒级的精准对齐，因为音视频从生成机制的底层就是绑定在一起的。
04
从工具替代到工作流统一
把视角拉远一点看，昆仑天工 SkyReels-V4 做的这件事，其实是整个 AI 行业正在发生的一个大趋势的缩影。
语言模型从纯文本走向多模态，图像模型从生成走向理解，视频模型从单项能力走向全流程覆盖，所有方向都在往「统一」这个词收敛。SkyReels-V4 的统一框架不只是一家公司的技术选择，它更像是视频生成赛道演进方向的一个信号。
对创作者来说，这种变化的体感可能比技术叙事更直接。过去做一条完整的视频内容，工作流是「工具链串联」：用这个工具生成画面，用那个工具配音乐，再换一个工具做剪辑和后期。每切换一次工具就丢失一次上下文，素材在不同软件之间反复导入导出。
SkyReels-V4 则是让这条链变成一个框：所有素材进去，成品出来，中间模型始终理解你在做什么。创作的门槛在降低，但更重要的是，创作的连贯性在提升。
对更广泛的影视和内容制作行业来说，影响可能比「换一个更好用的工具」更深。传统影视后期是一条高度分工的流水线。特效、配音、音效设计、字幕处理，每个环节对应专门的软件、专门的人才、专门的外包预算。当一个模型能同时覆盖这些过去分属不同工种的任务，产业链里一部分中间环节的存在逻辑就开始松动了。
尤其在短剧、短视频、品牌内容、电商素材这些对产出速度和成本高度敏感的中腰部市场，制作的「最低可行团队」正在被重新定义。过去需要十个人干一周的活，现在可能三个人加一个统一模型，两天就能交付。当然，高端影视制作对精度和创意的要求，靠当前 AI 还不能完全替代，但「全栈统一」的意义已经从技术架构的故事，变成了产业效率的故事。
回到昆仑天工自身，SkyReels 系列的迭代节奏也值得留意。V1 主攻人物表演和影视级质感，是中国最早面向 AI 短剧创作的垂直场景视频生成模型；V2 引入自回归扩散架构，实现了无限时长的连续视频生成；V3 强化了多模态参考驱动，支持图像、视频、音频等多种条件输入；到了 V4，音视频联合生成和全场景统一编辑被装进同一个架构。每一步都不是在某个单项上刷分，而是在把更多能力往同一个框架里收。
这条路不轻松。统一意味着每一代都要做架构层面的改动，而不是在已有框架上微调；意味着要同时把生成质量、编辑精度、音频同步这些互相制约的指标都拉上来。但走到 V4 这一步，Artificial Analysis 第二的成绩单至少说明了一件事：这条「把所有东西装进一个模型」的路，昆仑天工走通了。
