国产视频模型黑马：杀进全球榜TOP2量子位
全球视频大模型榜单，国产模型杀进前2。
就在最近，权威第三方机构Artificial Analysis更新了排行榜——
来自昆仑天工的SkyReels-V4，直接干到了文转视频（含音频）全球榜第2，位列Veo 3.1、Sora 2之前。
历史榜（包括所有模型的那种）也冲到第4位，稳居全球第一梯队：
要知道Artificial Analysis可是目前公认的“AI领域的Gartner”，其所有测试均在内部独立进行，不依赖各家实验室自行报告的数据，所以上述成绩背后的含金量可想而知。
而且更关键的是，这不单单是一次“纯文生视频”的胜利。
当大多数模型还在卷文生视频时，SkyReels-V4已经玩起了组合技：
「图像A的主体」+「视频B的动作」+「音频C的背景音」= 一条完整视频。
文本、图像、视频片段、掩码、音频参考全部可混合输入，主打一个全模态参考、一体化生成。
好好好，一个月前才刚开源SkyReels-V3，这次V4直接带着全球TOP2的成绩单登场。
只能说这公司节奏够快，成绩够硬。
全球第2，现场表演一个
不过还是那句老话，光说不练假把式，咱这不得召唤SkyReels-V4给大家表演一个（doge）。
锵锵锵锵上场，先给大家来个自我介绍：
（我是）全球首个同时支持多模态输入、联合音视频生成、统一生成/修复/编辑任务的视频基础模型。
没记住不要紧，四个技能show这就给观众姥爷献上：
多模态精准控制
先来点有意思的，用图像的主体+视频的动作和音乐生成新视频。
把@video_1中左侧身穿白上衣配牛仔裤跳舞的女性替换为@image_1里的狗， 并将@video_1中右侧身穿全套西装跳舞的男性替换为@image_2 里的猫，确保动作保持一致。
SkyReels-V4看一眼两张参考图：把狗和猫的毛色、身形全都扒下来，但摒弃了两张图的背景。
再看一眼原视频（来自昆汀电影《低俗小说》片段）：噢～俩人在跳舞，女生在左边，男生在右边，他们原来是这么跳的。
然后直接开干，人物主体无缝切换了，狗替女生，猫替男生；但舞台、观众、音乐、动作可都没变。
就连这生成的视频中，狗狗弯腰的动作变化时机都和原版女生动作变化的时机对得上，大概在10s左右，这波动作和音乐可是真·卡点了～
这个案例的背后，体现的是SkyReels-V4对多模态参考的精准控制。
首先，咱可以看出来，模型支持文本、图像、视频片段等多种输入组合。
而且实际上掩码和音频它也能参考，参考完了就能实现：
基于参考图像的风格迁移与主体保留：就拿上面参考的狗和猫图像来说，从毛色、体态到身形大小的细节，都被精准保留并迁移到了视频人物身上；
音频驱动的动作生成：参考视频的背景音乐，模型能让两者的舞步踩准节拍，甚至连动作变化都精准卡点；
多参考融合创作：这个替换案例的整个指令本身就是典型的多模态参考，有多个图像的主体形象、视频的舞蹈动作和音乐节拍，好几种素材都无痛融在了一起。
专业级视频修复
放完组合技之后，再来个更高级的。
SkyReels-V4还支持对已有内容进行专业级修复——
在不破坏整体结构的前提下，替换视频主体、去除水印、抹掉字幕等，几乎都是手拿把掐。
区域智能修复：能精准替换视频中的主体、修改属性（如服装颜色、物体形状）、更换背景；
元素智能移除：能自动识别并去除水印、字幕、Logo，保持背景内容自然连贯；
参考引导修复：可基于参考图像的风格一致性修复，确保编辑前后视觉统一。
就拿去字幕这事儿来说吧，真到了要用的时候那可真是急得人团团转，往往社交媒体全扒一遍也没有真正好用的。
但交给SkyReels-V4，它还真行。
你瞅，原视频是一个10s左右、含大量英文字幕的小片段：
但魔法这么一施，字幕这就没！了！整个画面立马变得干干净净。
该说不说，SkyReels-V4真是一位后期小能手，它能在保留大部分原视频的情况下，实现局部精准改动。
全维度视频编辑
当然了，既然专业后期的活都能干，那各种日常编辑岂不是轻轻松松。
一次生成不满意，SkyReels-V4也支持随心改、自由改。
插一嘴，虽然都是改，但“专业级视频修复”和“全维度视频编辑”侧重的点还不一样。
用一个例子来区分就是，假设原视频为一个女生在草地上走路，“专业级视频修复”追求的是极致的真——消除路人、改衣服颜色等，改完之后，她还是走在那片草地上，整个视频结构不变；
而“全维度视频编辑”追求的是创造的自由——比如让草地瞬间变为赛博朋克都市，甚至让镜头从定点拍摄变为电影级的推拉摇移，整个视频想要表达的意境内容可能都变了。
针对后者当中的局部编辑，先给SkyReels-V4上个开胃小菜，给视频凭空增加素材。
一张帽子图+一段女团舞视频，要求模型给c位dancer戴上帽子。
将@image_1中的蓝色罗纹针织无檐帽添加到@video_1中中央舞者的头上。
