两人剧组在出租屋里拍完一场戏,整晚都在为配乐吵架。演员没问题,问题是请不起作曲,素材库里的音乐让这场争吵听起来像香水广告。这正是AI视频公司如今想替创作者搬走的日常瓶颈。
昆仑万维(Kunlun Wanwei)过去一年把SkyReels从一个片段生成器,做成了接近小型工作室的东西。有意思的不是画面更清楚了,而是声音和故事连贯性被当成同一个问题来处理。
关键要点
- SkyReels是昆仑万维的视频创作平台,已陆续发布SkyReels V1到V4、A1到A3一系列模型。
- 方向是音画同出(audio-video co-generation):画面和声音一起生成,而不是事后配乐。
- 较新的模型接受多张参考帧,包括最多9张关键帧组成的网格图,目的是让角色和场景在短剧(microdrama)里保持连贯。
- 该系列多个模型已开放权重,公司外部开发者可以基于它们继续开发。
- 对小创作者,实际收益是少了几个割裂的工具;对其他人,这是合成视频从演示走向日常内容供给的一个信号。
声音为什么改变一切
无声的AI视频只是个派对戏法:一条狗踩滑板的10秒片段,惊艳一次就够。而一段3分钟、带对白、环境音和贴剪辑的音乐的场景连缀,是另一回事。
中国公司正在向这道缺口收敛。据《中国证券报》披露,SkyReels-V4采用双流架构同时生成音频和视频,并加入基于强化学习的运动与镜头控制优化。中新社报道称,该模型于2026年初发布,当时在Artificial Analysis的文本生成带音频视频、图像生成带音频视频榜单上都排在首位。这些是公司和媒体对第三方榜单的说法;榜单每周都变,持久的信号是能力,不是名次。
公司还说,模型可一次生成约15秒的1080p片段,并支持网格图参考(grid image reference):创作者上传最多9张故事关键帧,模型在它们之间补出连贯运动。这项功能专门瞄准短剧(microdrama)——这种已成为中国重要出口品的短剧集格式,对生成式视频是道难题:角色会漂移、脸会变、房间在镜头之间悄悄重排。
模型的阶梯
SkyReels不是一步到位。公司公开材料描述了一条发布阶梯:A系列主攻人像动画和表情驱动,让静态照片动起来、开口说话;V系列从短片段走向更长序列,再走向同步音频。SkyReels-V2于2025年开源,公司称V3在2026年初开放。
这套节奏映出中国业界更普遍的习惯:先发模型、放权重,让开发者社区找出失败案例,再折进下一版。这比封闭实验室独自迭代更快。它也意味着,这些工具有趣的版本,往往早在精致的消费级应用出现前,就以分叉和封装的形式存在。
产品层同样务实。据公司说法,SkyReels网页和移动平台在2025年末重新上线,提供无限画布(infinite canvas),把图像、视频、音乐、数字人(digital humans)和模板放进同一个工作区。它还聚合了外部模型,包括谷歌的Veo、OpenAI的Sora和Runway,而不是要求用户只待在一个模型家族里。这是个耐人寻味的选择:公司押注创作者更在意把作品做完,而不是某一帧由哪个模型生成。
小工作室真正得到什么
想象一个自由职业者为本地品牌做60秒宣传片。一年前的流程是一串订阅:分镜一个工具、运动另一个,再加配音库、音乐库、剪辑器。每次交接都会带来风格或节奏上的错位。
一个音画同生成的工具不会取消判断。仍然得有人决定这个镜头行不行、声音配不配品牌、成片是否诚实标明是合成的。它拿掉的是让配乐对齐剪辑点的机械劳动,以及为一版废稿请作曲的成本。对自雇创作者,这是实质变化;对已有后期管线的制片厂,只是小改进。
还有个二阶效应:当生成连贯场景变便宜,稀缺资源就转向剧本和参考素材。能写好一场紧凑戏、并提供一致角色参考的创作者,会比只输入更长提示词的人从工具里拿到更多。这是人的技能,不是算力优势。
诚实的局限
本文是技术与产品深度解读,不是性能实测。关于榜单、分辨率、参考帧上限和开放权重的说法,来自中国财经与新闻媒体转述的公司披露;我没有独立把SkyReels与竞品做过基准测试。榜单位置短命,且取决于用哪张榜单、哪一天。本文不评估生成音频商用的许可条款,也不评估合成语音的法律地位,因为这些取决于司法辖区和具体合同。文中不声称合成视频正在取代专业制作。
普通人现在能做什么
- 如果你做短视频,挑一场已经用传统方法做过的戏,用一款音画生成工具重做一遍,比较花在对口型上的时间,而不是画面质量。
- 建一份自己的角色参考表:同一个人物和场景的几张一致图片,对连贯性的帮助胜过更长的提示词。
- 发布生成素材前,先查商用许可和任何声音限制,尤其是客户付费的内容。