SkyReels V4: โมเดล AI ตัวแรกที่มองเห็นและได้ยินในเวลาเดียวกัน

ทำไมเสียงจึงเป็นจุดบอดของวิดีโอ AI มาตลอด

หากคุณเคยพยายามใส่เสียงให้คลิปที่สร้างโดย AI คุณจะเข้าใจความเจ็บปวดนี้ดี สร้างวิดีโอฝนตกกระทบหน้าต่าง แล้วไล่หาแทร็กเสียงที่เข้ากัน จับเวลา ปรับแต่ง และภาวนาว่าจะไม่รู้สึกประหลาด

ปัญหาหลักคือเรื่องสถาปัตยกรรม โมเดลอย่าง Kling 3.0 หรือ Runway Gen-4.5 ถูกออกแบบมาเป็นเครื่องยนต์ภาพก่อน การรองรับเสียง หากมี ก็จะทำงานผ่านระบบแยกที่พยายามซิงก์ในภายหลัง

SkyReels V4 ทำงานอย่างไร

Skywork AI (หน่วยงานวิจัยของ Kunlun Inc.) สร้างสิ่งที่เรียกว่า Multimodal Diffusion Transformer แบบ dual-stream หรือ MMDiT มองว่ามันคือสมองสองส่วนที่ใช้ระบบประสาทเดียวกัน

ทั้งสองสาขาใช้ text encoder ร่วมกันที่สร้างบน Multimodal Large Language Model ความเข้าใจร่วมกันนี้คือเหตุผลที่ prompt อย่าง "แก้วแตกบนพื้นหินอ่อนแบบสโลว์โมชัน" สร้างจุดเน้นเสียงที่ตกลงในช่วงประมาณ 40ms รอบจังหวะกระทบของภาพ ซึ่งแน่นพอที่จะรู้สึกเป็นธรรมชาติ

อะไรที่ทำให้ต่างจาก Seedance หรือ Kling

Seedance 2.0 ของ ByteDance และ Kling 3.0 ของ Kuaishou ต่างก็รองรับเสียง แต่แนวทางต่างกันโดยพื้นฐาน พวกเขาสร้างวิดีโอก่อน แล้วรันโมเดลตัวที่สองเพื่อสร้างเสียงที่เข้ากัน วิธีลำดับขั้นแบบนี้หมายความว่าเสียงจะตอบสนองต่อเฟรมที่เสร็จแล้วเสมอ ไม่เคยถูกสร้างไปพร้อมกัน

สถาปัตยกรรม dual-stream ของ SkyReels V4 หมายความว่า:

• ✓องค์ประกอบเสียงและภาพถูกจัดวางเชิงความหมายตั้งแต่เริ่มต้น
• ✓ลิปซิงก์ของคนพูดตรงกับพยัญชนะ ไม่ตามมาทีหลัง
• ✓เสียงสภาพแวดล้อมตรงกับคุณสมบัติของวัสดุ (โลหะ ไม้ หรือแก้ว)
• ✓ไม่ต้องทำ post-processing เพื่อแก้ความคลาดเคลื่อนของเวลา

ความแตกต่างสังเกตยากเมื่อดูภาพทิวทัศน์ แต่ชัดเจนมากเมื่อดูคนพูดหรือวัตถุที่กระทบกับพื้นผิว

คำถามเรื่องโอเพนซอร์ส

SkyReels เวอร์ชันก่อนหน้า (V1 ถึง V3) เป็นโอเพนซอร์สเต็มรูปแบบพร้อม weights ดาวน์โหลดได้บน HuggingFace และ GitHub ปัจจุบัน V4 อยู่ในช่วง preview แบบจำกัดพร้อมแพ็กเกจฟรีบน skyreels.ai แต่ weights ฉบับเต็มยังไม่ได้ถูกปล่อยออกมา

สำหรับชุมชนโอเพนซอร์ส นี่คือเรื่องที่ควรจับตาดูอย่างใกล้ชิด หาก Skywork ทำตามรูปแบบในอดีต weights ของ V4 น่าจะลงเอยบน HuggingFace ในที่สุด หากคุณต้องการโอเพนซอร์สสำหรับสร้างวิดีโอพร้อมเสียงในวันนี้ ทางเลือกที่ใกล้เคียงที่สุดคือ SkyReels V3 บวกกับโมเดลเสียงแยก

SkyReels V4 อยู่ตรงไหนในกระดานผู้นำ

บน Artificial Analysis Video Arena (ซึ่งใช้การโหวตแบบ blind ตามความชอบของมนุษย์) SkyReels V4 ขณะนี้อยู่อันดับที่คะแนน Elo 1,244 สำหรับ text-to-video ทำให้เกือบเสมอกับ Kling 3.0 (1,243) และตามหลังผู้นำปัจจุบัน HappyHorse-1.0 ของ Alibaba (1,347)

ช่องว่างคุณภาพภาพระหว่าง SkyReels V4 กับ HappyHorse มีจริง แต่ SkyReels เป็นโมเดลเดียวในท็อป 5 ที่สร้างเสียงได้ในตัว หากเวิร์กโฟลว์ของคุณต้องการเสียง ความได้เปรียบเชิงสถาปัตยกรรมนี้สำคัญกว่าช่องว่าง 100 คะแนน Elo

สิ่งนี้มีความหมายอย่างไรต่อครีเอเตอร์

ภาพรวมที่กว้างกว่า: เสียงไม่ใช่ตัวเลือกอีกต่อไป

SkyReels V4 ไม่ใช่การทดลองโดดเดี่ยว เราได้รายงานเรื่อง Seedance 1.5 Pro ของ ByteDance ที่นำการสร้างภาพและเสียงเข้ามา และ แนวโน้มที่กว้างกว่าของวิดีโอ AI ที่ก้าวออกจากยุคเงียบ สิ่งที่ SkyReels V4 เพิ่มคือหลักฐานว่าคุณทำสิ่งนี้ได้ในระดับสถาปัตยกรรม ไม่ใช่ในรูปแบบของลูกเล่นหลังการผลิต

นัยสำคัญชัดเจน ภายในสิ้นปี 2026 โมเดลวิดีโอ AI ใดก็ตามที่ไม่มีเสียงในตัวจะรู้สึกไม่สมบูรณ์ คำถามไม่ใช่ว่าสิ่งนี้จะกลายเป็นมาตรฐานหรือไม่ แต่จะเร็วแค่ไหน