/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
HunyuanVideo
Опубликована
13 фев 2025

SkyReels-V1-Hunyuan-T2V

Генерация видеоТекст → видео3 профессии

Дообученная на видеоматериалах о людях модель Skywork для генерации кинематографичных роликов по текстовому запросу.

632скачиваний за 30 дней92лайкавеса обновлены24 фев 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

SkyReels V1 Hunyuan T2V — модель генерации видео по тексту от команды Skywork, созданная дообучением Tencent HunyuanVideo на высококачественных клипах из кино и телевидения. Репозиторий содержит веса в формате Diffusers для работы с библиотекой Diffusers.

Модель предназначена для создания видео с людьми по текстовым запросам. В карточке заявлены выразительная анимация лиц, широкий диапазон эмоций и движений, а также кинематографические композиция, освещение и постановка камеры. Указаны разрешение 544×960 пикселей, длина ролика до 97 кадров и частота 24 кадра в секунду.

Модель принимает текст и генерирует видео. Для запуска авторы направляют к отдельному репозиторию с кодом инференса. Лицензия — Apache-2.0. Заявления о качестве и сравнении с коммерческими системами принадлежат авторам модели и не сопровождаются в карточке описанием независимой оценки.

Сценарии применения

  • создание коротких видео с людьми по текстовому описанию
  • генерация сцен с заданными действиями и взаимодействием персонажей
  • создание роликов с выразительной мимикой и эмоциями
  • подготовка кинематографичных видеоконцептов и превизуализаций

Ограничения

Карточка описывает генерацию в разрешении 544×960 пикселей, до 97 кадров при 24 кадрах в секунду; для инференса требуется код из отдельного репозитория. Независимые результаты оценки качества в карточке не приведены.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

SkyReels V1: Human-Centric Video Foundation Model


This repo contains Diffusers-format model weights for SkyReels V1 Text-to-Video models. You can find the inference code on our github repository SkyReels-V1.

Introduction

SkyReels V1 is the first and most advanced open-source human-centric video foundation model. By fine-tuning HunyuanVideo on O(10M) high-quality film and television clips, Skyreels V1 offers three key advantages:

  1. Open-Source Leadership: Our Text-to-Video model achieves state-of-the-art (SOTA) performance among open-source models, comparable to proprietary models like Kling and Hailuo.
  2. Advanced Facial Animation: Captures 33 distinct facial expressions with over 400 natural movement combinations, accurately reflecting human emotions.
  3. Cinematic Lighting and Aesthetics: Trained on high-quality Hollywood-level film and television data, each generated frame exhibits cinematic quality in composition, actor positioning, and camera angles.

🔑 Key Features

1. Self-Developed Data Cleaning and Annotation Pipeline

Our model is built on a self-developed data cleaning and annotation pipeline, creating a vast dataset of high-quality film, television, and documentary content.

  • Expression Classification: Categorizes human facial expressions into 33 distinct types.
  • Character Spatial Awareness: Utilizes 3D human reconstruction technology to understand spatial relationships between multiple people in a video, enabling film-level character positioning.
  • Action Recognition: Constructs over 400 action semantic units to achieve a precise understanding of human actions.
  • Scene Understanding: Conducts cross-modal correlation analysis of clothing, scenes, and plots.

2. Multi-Stage Image-to-Video Pretraining

Our multi-stage pretraining pipeline, inspired by the HunyuanVideo design, consists of the following stages:

  • Stage 1: Model Domain Transfer Pretraining: We use a large dataset (O(10M) of film and television content) to adapt the text-to-video model to the human-centric video domain.
  • Stage 2: Image-to-Video Model Pretraining: We convert the text-to-video model from Stage 1 into an image-to-video model by adjusting the conv-in parameters. This new model is then pretrained on the same dataset used in Stage 1.
  • Stage 3: High-Quality Fine-Tuning: We fine-tune the image-to-video model on a high-quality subset of the original dataset, ensuring superior performance and quality.

Model Introduction

Model NameResolutionVideo LengthFPSDownload Link
SkyReels-V1-Hunyuan-I2V544px960p9724🤗 Download
SkyReels-V1-Hunyuan-T2V (Current)544px960p9724🤗 Download

Usage

See the Guide for details.

Citation

@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}}
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

Базовая модель tencent/HunyuanVideo выложена не в формате diffusers, адаптер не к чему подключить.

Ревизия весов
b9085e5

0 моделей