Сбер выпустил Kandinsky 6.0 Video: ролики сразу с речью, музыкой и шумами
Модель генерирует видео вместе с синхронным звуком. В ГигаЧате она бесплатна, а веса открыты под лицензией MIT.
6 октября Сбер представил Kandinsky 6.0 Video — модель, которая создаёт ролик и звуковую дорожку к нему за один проход. В звук входят речь, музыка и шумы окружения, синхронизированные с тем, что происходит в кадре.
Как это работает
Сцену можно описать текстом или загрузить первый кадр и добавить описание звука. Длительность ролика со звуком пока ограничена пятью секундами — по словам разработчиков, из-за вычислительной стоимости. Увеличить её обещают позже.
Семейство состоит из двух моделей: облегчённой Lite на 3 млрд параметров и Pro — около 30 млрд. Отдельная модель повышает разрешение готового ролика до Full HD.
Где попробовать
- ГигаЧат — бесплатно, без настройки.
- Hugging Face — код и веса под лицензией MIT, разрешено коммерческое использование.
- Интеграции заявлены для Diffusers, ComfyUI, FAL, FastVideo, SGLang и vLLM-omni.
Для локального запуска есть режим на видеокартах с 16 ГБ памяти.
Что это значит для вас
Это первый российский генератор видео со встроенным звуком, и он доступен без зарубежной карты. Пять секунд — мало для полноценного ролика, но достаточно для заставки, перехода или короткого рилса. Если звук не нужен, его можно отключить и озвучить ролик отдельно.