Кандинский видео нейросеть: релиз 6 октября
6 октября 2026 Сбер выложил Kandinsky 6.0 Video. Код, веса и поддержка diffusers лежат под лицензией MIT. Версий две: Lite на 3 млрд параметров и Pro на 29 млрд. Модель генерирует пятисекундные ролики сразу со звуком 44 кГц и попаданием в губы говорящего персонажа.
Для меня в этом релизе главное одно: кадр и голос приходят из одного прохода. Артикуляция под собственную речь до сих пор была отдельной задачей, и студия закрывала её вторым инструментом, а потом сводила результат на монтаже. Здесь это часть генерации.
Первичные документы простые: техотчёт на arXiv, новости и карточка модели на kandinskylab.ai, разбор в Ведомостях от 6 октября.
Звук 44 кГц и два режима: T2AV и I2AV
Режимов два. T2AV принимает текст и отдаёт видео со звуком. I2AV берёт картинку и оживляет её со звуком. В обоих случаях на выходе пять секунд, дорожка 44 кГц и синхронизация губ с речью.
Для рекламы это меняет порядок работы. Раньше озвучку писали отдельно, потом подгоняли под неё мимику. Теперь промпт сразу содержит реплику, и модель строит под неё движение рта. Ошибки слышно на первом же прогоне, и это дешевле правок в редакторе.
Разрешение: SD на входе и апскейл до 2K
Базовое разрешение скромное: 864×480, 480×864 и 512×512. Дальше включается встроенный апскейл до HD, Full HD и 2K. Считает модель в SD, а крупный формат собирает из готового кадра, поэтому мелкий текст и тонкие узоры в шот лучше не ставить: детали дорисовывает апскейлер, и на них он ошибается заметнее всего.
Кандинский нейросеть для генерации видео под MIT
MIT разрешает коммерческое использование, изменение и распространение кода и весов, текст лицензии нужно сохранить в проекте. Для студии это снимает вопрос лицензии на саму модель. За содержание конкретного ролика, лица и чужие бренды в кадре, отвечаете по-прежнему вы.
Проверять стоит одно: что именно попало в открытый набор. Код, веса и интеграция с diffusers в списке есть. Про онлайн-сервис с этой моделью в источниках ничего нет, обещанного «попробовать в браузере» я не нашёл. Запускать придётся локально или на арендованной карте.
Тем, кто ищет kandinsky нейросеть для генерации видео, важнее другое: веса скачиваются один раз и работают без подписки. Это меняет смету, когда нужно сто прогонов на раскадровку.
Цифры: WER, слепые сравнения и VABench
Обучение с подкреплением снизило долю ошибок в речи: WER упал с 0,235 до 0,124. По замерам авторов Pro обходит Kandinsky 5.0 Video Pro в слепых сравнениях и на большинстве метрик VABench обходит LTX 2.5. Сильнее всего Pro выглядит на речи, что при таком фокусе на звук ожидаемо. Оговорка стандартная: цифры от разработчика, независимых прогонов пока нет.
Датасет «Русский культурный код» собрал 1,2 млн картинок и 530 тыс. видео, промпты писали на русском и английском. Отсюда и расчёт на местные реалии: вывеска, двор, техника, одежда. Для локальной рекламы это может сократить число попыток на подбор промпта, но проверять стоит на своих сценах.
Как такие веса запускают на своём железе, я уже разбирал: локальная нейросеть для генерации видео со звуком. Принцип тот же, меняется объём памяти.
Сколько памяти просит Pro
Запуск идёт на картах 16, 24 и 32 ГБ с выгрузкой блоков. На пресете 16 ГБ версии Pro нужно около 58 ГиБ оперативной памяти, полная модель без выгрузки на пике просит около 72,8 ГиБ. Главный барьер это оперативная память: карта на 16 ГБ доступна, а 64 ГБ оперативной памяти в домашней машине уже редкость.
Расчёт у меня такой. Для эксперимента хватает своей карты, если есть запас по памяти и время на выгрузку блоков. Для продакшена дешевле считать аренду: одна сцена, один прогон, оплата по часам, драйверы и выгрузки не ваша забота.
Генерация видео Кандинский: пять секунд это шот
Ведомости 6 октября писали, что длительность ограничили пятью секундами из-за вычислений и обещали увеличить. Там же сказано, что физику движений улучшили.
Пять секунд не недостаток, если смотреть на монтаж. Минутный ролик собирается из десяти-пятнадцати таких шотов, каждый генерируется отдельно под свой промпт. Длинный проход в один запрос нужен реже, чем кажется, а короткий шот проще переделать без потери остального материала.
Ограничение я вижу в диалогах. Реплика на пять секунд это одна фраза, склейка двух таких фраз заметна по свету и посадке головы. Для длинного монолога я бы собирал сцену из нескольких планов с разными крупностями или отдавал её в ручные ролики от 16 000 ₽, где сборку и монтаж ведёт человек.
Порядок первого теста простой. Беру реплику на две-три фразы, смотрю, попадают ли губы в слоги на первой секунде и на последней, потом проверяю свет на лице при повороте головы. Если похоже на правду с третьего прогона, модель годится для диалоговой сцены. Если только с десятого, дешевле взять другой инструмент и не списывать промахи на промпт.
По объёму картина такая. Тестовый ролик собирается локально за вечер. Поток вертикальных форматов и реклама в ленте требуют шаблона: десятки коротких шотов, отбор, монтаж. Наши видео нейросетями идут по этой же схеме, и открытая модель полезна здесь как источник шотов, финальную сборку оставляю монтажу.
