Kandinsky 6.0 Video

Kandinsky Lab 的 3B 和 29B 模型,生成带同步 44 kHz 音频和口型同步的五秒视频。MIT 许可证。

一句话概括. Kandinsky 6.0 Video 能同时生成短视频和它的声音。你描述一个场景,或者给出第一帧,它就返回五秒的视频和相配的音频,包括口型对得上的语音。Lite 小而快,Pro 更大、画质更好,另有单独的超分模型可以把视频提升到全高清。它按 MIT 许可证免费使用,包括商用。

概述

Kandinsky Lab 于 2026 年 10 月 6 日以 MIT 许可证发布了 Kandinsky 6.0 Video,并附有技术报告 arXiv 2610.05608。它是一个同时生成视频和声音的扩散模型家族。Video Lite 有 30 亿参数,Video Pro 有 290 亿,两者都能根据文字或首帧图像生成 5 秒、24 帧每秒、带同步 44 kHz 音频(包括口型同步)的视频片段。基础片段分辨率不高,示例中为 480 × 864 像素,另有单独的超分模型把它提升到全高清 1920 × 1080。原生流水线还可以从首尾两帧开始生成、用音频文件驱动视频,或者为视频文件生成音频,团队称这些模型原生理解俄语提示词和文化概念。

每个规模都提供运行 50 步的标准检查点、运行 10 步的蒸馏检查点,以及用于微调的预训练检查点。团队称标准检查点经过两阶段微调,再接强化学习。在内部结构上,同一个流匹配 Transformer 同时处理视频和音频,文本编码器是 Qwen2.5-VL(也可以扩写简短提示词),另有一个 CLIP 文本编码器、一个 HunyuanVideo VAE,以及带 BigVGAN 风格声码器的音频 VAE。它支持 Diffusers、ComfyUI、vLLM-Omni、SGLang 和 FastVideo。Diffusers 仓库很大,Pro 约 90 GB,Lite 约 27.8 GB,部分原因是每个仓库都带一个 16.6 GB 的文本编码器。README 自己的计时针对 5 秒、480 × 864、带音频的片段:在 RTX 4090 上,Lite Distill 为 68 秒,Pro Distill 为 235 秒,50 步的 Pro 为 955 秒。16 GB 的 RTX 5060 Ti 用 4 位文本编码器运行 Lite,用分块卸载运行 Pro,蒸馏版分别用时 174 秒和 718 秒。

在四个生成仓库中,只有 Pro 主仓库需要填写简短表单才能访问。团队称,在并排的人工评测中,Video Pro 明显优于 Kandinsky 5.0 Video Pro,并与领先的音视频模型不相上下,在语音质量上尤其如此,这一点我们没有核实。截至 2026 年 11 月 11 日的 30 天内,Hugging Face 统计四个生成仓库合计约有 3,600 次下载。

适合做什么

  • 根据文字提示词或首帧生成带匹配声音和口型同步语音的短视频
  • 用 Lite 在一张 16 GB 的 GPU 上做实验,用 10 步的蒸馏检查点节省时间
  • 用原生流水线,由音频文件驱动视频,或给视频补上音频
  • 想要 MIT 许可权重、Diffusers 支持和可供微调的预训练检查点的研究和产品

需要注意

  • 片段限于 5 秒,不加单独的超分模型时基础分辨率较低
  • Pro 在消费级显卡上很慢,README 里在 RTX 4090 上生成一段 50 步的片段需要 955 秒,仓库有 80 到 90 GB
  • Pro 主仓库需要授权,另外三个则不需要,原生流水线要求使用 NVIDIA GPU
  • 团队与其他音视频模型的对比是它自己的,README 的文字里没有给出分数
  • 在我们读到的文件里,没有说明训练数据,以及生成的语音和肖像的权利归属

性能数据来自开发方,未经独立验证。

需要多少内存?

以下是 Kandinsky 6.0 Video 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。

版本 参数量 下载大小 所需内存 可运行于
Kandinsky 6.0 Video Lite (50 steps) 3B 28 GB 16 GB 笔记本或手机
Kandinsky 6.0 Video Lite Distill (10 steps) 3B 27 GB 16 GB 笔记本或手机
Kandinsky 6.0 Video Pro (50 steps) 29B 90 GB 103 GB 大内存台式机
Kandinsky 6.0 Video Pro Distill (10 steps) 29B 81 GB 93 GB 工作站

下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。 开发方给出的最低显存要求为 16 GB。

许可证,用大白话说

最简短、最宽松的许可证。只要保留版权和许可声明,你几乎可以对模型做任何事。

进一步了解 MIT

延伸阅读

常见问题

Kandinsky 6.0 Video 是什么?
Kandinsky 6.0 Video 能同时生成短视频和它的声音。你描述一个场景,或者给出第一帧,它就返回五秒的视频和相配的音频,包括口型对得上的语音。Lite 小而快,Pro 更大、画质更好,另有单独的超分模型可以把视频提升到全高清。它按 MIT 许可证免费使用,包括商用。
Kandinsky 6.0 Video 可以商用吗?
可以。Kandinsky 6.0 Video 采用 MIT 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
Kandinsky 6.0 Video 是开源的吗?
Kandinsky 6.0 Video 采用 MIT 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
我能在自己的电脑上运行 Kandinsky 6.0 Video 吗?
可以。最小版本 Kandinsky 6.0 Video Lite (50 steps) 在 4 位精度下约需 16 GB 内存,现代笔记本或中端显卡即可胜任。
Kandinsky 6.0 Video 是什么时候发布的?
Kandinsky 6.0 Video 由 Kandinsky Lab 于 2026年10月6日 发布。

官方链接

来源

规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。

发布时间等信息最近核实于 2026年11月11日。

相关模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
LTX-2.5 LTX (Lightricks) 22B – LTX-2.x Community (附条件) 16 GB 笔记本或手机
Wan 2.2 Alibaba Wan 5B – 27B 激活 14B – Apache 2.0 (宽松) 24 GB 游戏显卡
Cosmos 3 NVIDIA 3.86B – 64.6B – OpenMDW-1.1 (宽松) 11 GB 笔记本或手机
MiniMax H3 MiniMax 33.1B – MiniMax H3 Community (附条件) 166 GB 大内存台式机