SkyReels V4 es el modelo unificado de generación de vídeo y audio de Skywork AI. Una pasada de SkyReels V4 produce un clip de 15 segundos en 1080p a 32 FPS con audio temporalmente alineado. Las entradas abarcan texto, imágenes, vídeo, máscaras y referencias de audio.
El modelo dual de vídeo y audio de Skywork con inpainting y edición nativos
SkyReels V4 es el primer modelo unificado de generación de vídeo y audio de Skywork AI, lanzado el 2026-02-25. La arquitectura es un Multimodal Diffusion Transformer (MMDiT) de doble flujo: una rama sintetiza el vídeo y la otra genera audio temporalmente alineado, ambas comparten un codificador de texto basado en MLLM. Una generación de SkyReels V4 acepta texto, imágenes, clips de vídeo, máscaras y referencias de audio — cubriendo texto a vídeo, imagen a vídeo, inpainting y edición en un único pipeline. La salida llega hasta 1080p, 32 FPS y 15 segundos por pasada.
SkyReels V4 entrega hasta 1080p a 32 FPS — un movimiento más fluido que los 24/30 FPS habituales. Cada pasada de SkyReels V4 mantiene esa cadencia.
Una pasada de SkyReels V4 produce un clip de 15 segundos — suficiente para una intro o un B-roll sin tener que encadenar tomas.
SkyReels V4 genera el audio en la misma pasada que el vídeo, sincronizado con la acción en pantalla. Con SkyReels V4 te ahorras una capa de Foley aparte.
Texto, imágenes, clips de vídeo, máscaras y referencias de audio — SkyReels V4 lee las cinco modalidades en un mismo prompt.
Marca una zona y describe el cambio. SkyReels V4 la rellena conservando el resto del fotograma, y el inpainting de SkyReels V4 también respeta la pista de audio.
Pasa un clip existente más una instrucción — SkyReels V4 edita vídeo y audio a la vez, y una edición de SkyReels V4 no necesita una herramienta aparte.
SkyReels V4 — texto a la entrada, 15 s de vídeo en 1080p y audio sincronizado a la salida.
Tú describes la escena; SkyReels V4 la lee y renderiza un clip de 15 segundos en 1080p a 32 FPS con audio temporalmente alineado. Una pasada de SkyReels V4, un único pipeline, sin pista de audio aparte.
Texto + imágenes + vídeo + máscaras + audio — un prompt de SkyReels V4 las lee todas.
Pásale a SkyReels V4 una imagen de referencia para fijar un personaje, un clip existente para extenderlo, una máscara para localizar una edición o una pista de audio para encajar la banda sonora. SkyReels V4 acepta el paquete multimodal completo en una única llamada.
SkyReels V4 cubre texto a vídeo, imagen a vídeo, inpainting y edición en un solo pipeline.
Los modelos de vídeo anteriores solo generaban desde cero. SkyReels V4 también acepta un clip existente y una máscara o instrucción, y luego SkyReels V4 edita vídeo y audio a la vez — cambio de personaje, retoque de fondo, superposición de audio, todo sin salir del modelo.
La arquitectura de doble flujo hace que el audio de SkyReels V4 quede alineado con los fotogramas a nivel de modelo.
La arquitectura MMDiT tiene dos ramas: una para vídeo y otra para audio, ambas comparten el codificador de texto. El efecto práctico: la pista de audio de SkyReels V4 encaja con la acción — las pisadas suenan al contacto, los diálogos guardan lip-sync y los matices ambientales acompañan al corte.
SkyReels V4 entiende vocabulario de plano: dolly, grúa, óptica, luz, etalonaje.
Briefea el clip como si dieras instrucciones a un director de fotografía. Indica a SkyReels V4 la óptica, el movimiento, la luz principal y de contra, el tono y el audio. SkyReels V4 se acerca más a una toma planificada que al método de prueba y error.
Ocho clips — cada pie de foto es un prompt de SkyReels V4 reutilizable
Especificaciones verificadas en la página oficial de cada proveedor — sin cifras de terceros.
| Capacidad | SkyReels V4 | Veo 3.1 | Seedance 2.0 | Sora 2 |
|---|---|---|---|---|
| Duración máxima del clip | 15 segundos | 8s base; hasta 148s con Scene Extension | 15 segundos (multiplano) | Hasta 12s (Sora 2 API) |
| Resolución / FPS | Hasta 1080p / 32 FPS | Hasta upscale 4K | Sin especificación oficial | Hasta 720p (Sora 2) |
| Audio en la pasada | Sí, alineado en el tiempo | Sí, 48kHz nativo | Sí, dos canales | Sí, audio sincronizado |
| Modalidades de entrada | Texto, imagen, vídeo, máscara, audio | Texto, imagen | Texto, imagen, audio, vídeo | Texto, imagen |
| Inpainting + edición | Sí, nativo (máscara + instrucción) | No documentado | No documentado | No documentado |
| Fecha de lanzamiento | 2026-02-25 (Skywork AI) | 2026-01-13 (Google DeepMind) | 2026-02-12 (ByteDance Seed) | 2025 (OpenAI) |
Cuatro hábitos que separan el material útil del ruido de reroll
Indica sujeto, movimiento de cámara, óptica, luz, tono y audio en un mismo prompt de SkyReels V4. Una pasada de SkyReels V4 refleja lo que tú le pones.
16:9 para YouTube, 9:16 para Reels, 1:1 para feeds. Defínelos antes de enviar el prompt a SkyReels V4 — SkyReels V4 tiene un tope de 15 s por pasada.
Pasa una imagen de referencia a SkyReels V4 cuando un personaje o producto deba verse igual de un plano a otro. SkyReels V4 lee imágenes, vídeo, máscaras y audio a la vez.
Di qué quieres oír — 'lluvia ambiente', 'lofi animado', 'dos amigos riendo'. SkyReels V4 entrega el audio en la misma pasada.
Cada modelo de vídeo tiene sus puntos fuertes — realismo, velocidad, estilo, coste
Lo que la gente pregunta antes de su primera pasada de SkyReels V4
Gratis. Sin tarjeta de crédito. 15 s de vídeo en 1080p con audio alineado en el tiempo. Prueba SkyReels V4 en ZorqAI arriba.
