Henry· Autor de IA, revisto por humanosSkyReels V4: O Primeiro Modelo de IA Que Vê e Ouve ao Mesmo Tempo
O SkyReels V4 da Skywork AI estreia uma arquitetura de difusão de duplo fluxo que co-gera vídeo e áudio sincronizado numa única passagem. Aqui está o que isso significa para os criadores.
Pronto para criar os seus próprios vídeos com IA?
Junte-se a milhares de criadores que utilizam Bonega.ai
Por Que o Áudio Sempre Foi o Ponto Cego do Vídeo com IA
Se já tentaste adicionar som a um clipe gerado por IA, conheces a dor. Gerar um vídeo de chuva a bater numa janela e depois caçar uma faixa de áudio que combine. Sincronizá-la. Ajustá-la. Rezar para que não pareça estranho.
O problema de fundo é arquitetural. Modelos como Kling 3.0 ou Runway Gen-4.5 foram construídos primeiro como motores visuais. O suporte de áudio, quando existe, passa por uma pipeline separada que tenta sincronizar à posteriori.
Como o SkyReels V4 Funciona na Prática
A Skywork AI (uma divisão de investigação da Kunlun Inc.) construiu aquilo a que chamam um Multimodal Diffusion Transformer de duplo fluxo, ou MMDiT. Pensa nele como dois cérebros especialistas a partilhar um único sistema nervoso.
O Ramo Visual
Gera fotogramas de vídeo até 1080p, 32 FPS. Trata do movimento, da iluminação, da composição da cena e da coerência temporal ao longo de todo o clipe.
O Ramo de Áudio
Gera som sincronizado na mesma passagem de difusão. Não é encaixar o som a um vídeo já pronto. É criar o som enquanto o vídeo se forma.
Os dois ramos partilham um codificador de texto construído sobre um Multimodal Large Language Model. É essa compreensão partilhada que faz com que um prompt como "vidro a partir-se sobre chão de mármore em câmara lenta" produza acentos de áudio que caem a cerca de 40 ms do impacto visual. Suficientemente preciso para parecer natural.
O Que o Diferencia do Seedance ou do Kling
O Seedance 2.0 da ByteDance e o Kling 3.0 da Kuaishou também suportam áudio, mas a abordagem é fundamentalmente diferente. Geram primeiro o vídeo e depois executam um segundo modelo para produzir o áudio combinado. Esta abordagem sequencial significa que o áudio está sempre a reagir a fotogramas finalizados, nunca a co-criar com eles.
A arquitetura de duplo fluxo do SkyReels V4 implica:
- ✓Elementos visuais e sonoros estão alinhados semanticamente desde o início
- ✓O lip-sync em rostos a falar cai sobre as consoantes, não depois
- ✓Sons ambientais respeitam as propriedades dos materiais (metal, madeira, vidro)
- ✓Não é preciso pós-produção para corrigir desvios de timing
A diferença é subtil ao olhar para uma paisagem, mas marcante ao olhar para uma pessoa a falar ou para um objeto a interagir com uma superfície.
A Questão do Código Aberto
As versões anteriores do SkyReels (V1 a V3) eram totalmente open source, com pesos descarregáveis no HuggingFace e no GitHub. A V4 está atualmente em preview limitado com um plano gratuito em skyreels.ai, mas os pesos completos ainda não foram libertados.
Plano gratuito com limites diários de geração na plataforma oficial. O paper do arXiv (2602.21818) detalha toda a arquitetura. As versões anteriores continuam open source.
Sem pesos da V4 para descarregar. Sem opção de self-hosting. Sem API de produção. O calendário do lançamento open source não é claro.
Para a comunidade open source, vale a pena seguir de perto. Se a Skywork seguir o padrão histórico, os pesos da V4 deverão acabar por aterrar no HuggingFace. Se precisas hoje de geração open source de áudio e vídeo, as alternativas mais próximas são SkyReels V3 mais um modelo de áudio separado.
Onde o SkyReels V4 se Posiciona no Ranking
Na Artificial Analysis Video Arena (que assenta em votos humanos cegos), o SkyReels V4 marca atualmente um Elo de 1.244 em text-to-video. Isso coloca-o praticamente empatado com o Kling 3.0 (1.243) e atrás do líder atual, o HappyHorse-1.0 da Alibaba (1.347).
| Modelo | Pontuação Elo | Suporte de Áudio | Open Source | Melhor para |
|---|---|---|---|---|
| HappyHorse-1.0 | 1.347 | Não | Não | Qualidade visual pura |
| SkyReels V4 | 1.244 | Nativo (duplo fluxo) | Pendente | Conteúdo audiovisual |
| Kling 3.0 | 1.243 | Sequencial | Não | Escala de produção |
| Wan 2.7 | Topo | Não | Sim | Fotorrealismo |
| LTX-2 | Mais baixo | Não | Sim | Eficiência de custo |
A diferença de qualidade visual entre o SkyReels V4 e o HappyHorse é real. Mas o SkyReels é o único modelo do top 5 que gera áudio nativamente. Se o teu fluxo de trabalho exige som, essa vantagem arquitetural pesa mais do que uma diferença de 100 pontos de Elo.
O Que Isto Significa para os Criadores
Criadores de Conteúdo Social
Produtores de Videoclipes Musicais
Criadores de Publicidade
A Visão Mais Ampla: o Áudio Já Não É Opcional
O SkyReels V4 não é uma experiência isolada. Cobrimos o Seedance 1.5 Pro da ByteDance a introduzir geração audiovisual, e a tendência mais ampla do vídeo com IA a sair da era do mudo. O que o SkyReels V4 acrescenta é a prova de que isto pode ser feito ao nível da arquitetura, e não como um truque de pós-produção.
A implicação é clara: até ao final de 2026, qualquer modelo de vídeo com IA sem áudio nativo vai parecer incompleto. A pergunta não é se isto se torna padrão, mas a que velocidade.
Referência Rápida: SkyReels V4
- Programador: Skywork AI (Kunlun Inc.)
- Arquitetura: Multimodal Diffusion Transformer de duplo fluxo (MMDiT)
- Resolução: Até 1080p a 32 FPS
- Duração: Até 15 segundos
- Áudio: Co-geração nativa (não pós-produção)
- Entradas: Texto, imagens, clipes de vídeo, máscaras, referências de áudio
- Estado: Preview limitado em skyreels.ai (pesos por libertar em open source)
- Paper: arXiv 2602.21818
Tecnólogo criativo de Lausanne que explora onde a IA se encontra com a arte. Faz experiências com modelos generativos entre sessões de música eletrónica.
View profile →Artigos relacionados
Continue a explorar com estes artigos relacionados
A avalanche de IA de março de 2026: como 12 modelos em 7 dias mataram a era apenas em nuvem
Março de 2026 viu o surto mais concentrado de lançamentos de modelos de vídeo IA na história. Mais de uma dúzia de novos modelos chegaram em uma única semana, e a maior história não é um único lançamento, é que a geração local agora rivaliza com a nuvem.
Helios: O modelo 14B que gera vídeos de IA em tempo real em hardware consumer
Peking University, ByteDance e Canva apresentam Helios, que gera vídeos de IA de um minuto a 19,5 FPS com apenas 6 GB de VRAM, e é totalmente de código aberto.
Executar vídeo IA localmente: LTX-2, RTX e ComfyUI em 2026
Gere vídeo IA 4K na sua própria GPU com LTX-2 e ComfyUI. Sem subscrições, sem nuvem, sem preocupações com privacidade de dados. Aqui está tudo o que precisa para começar.