Kandinsky 6.0 Video: Sber veröffentlicht ein Videomodell mit Ton und offenen Gewichten

Am 6. Oktober 2026 haben Sber und das Team von Kandinsky Lab Kandinsky 6.0 Video veröffentlicht – ein Modell, das Video und Ton gemeinsam erzeugt. Sber bezeichnet es als erstes russisches neuronales Netz mit synchronem Ton; das vorherige Kandinsky 5.0 lieferte stumme Clips. Das Modell ist in GigaChat kostenlos, Code und Gewichte sind unter MIT-Lizenz offen.

Was Kandinsky 6.0 Video kann

• Video mit Ton. Der Ton wird nicht auf einen fertigen Clip gelegt, sondern vom selben Modell zusammen mit dem Bild erzeugt: Sprache der Figuren mit Lippensynchronität, Musik und Umgebungsgeräusche. Die Tonspur hat 44 kHz und lässt sich abschalten.
• Zwei Modi: Text-zu-Video oder Startbild plus Beschreibung.
• Länge: 5 Sekunden, 121 Frames bei 24 fps.
• Auflösung: Das Modell rendert in 864×480, ein separates Modell, Kandinsky 6.0 Video SR, skaliert auf 1920×1080 hoch. In GigaChat stehen SD, HD und Full HD zur Wahl.
• Unbekannte Objekte. Das System holt Referenzen für Objekte und Figuren, die erst nach dem Training aufgetaucht sind.

Lite und Pro im Vergleich

Die Familie umfasst zwei Modelle. Lite hat 3 Mrd. Parameter und ist schnell. Pro hat 29 Mrd. Parameter und ist das Qualitäts-Flaggschiff. Beide beherrschen beide Modi, und zu jedem gibt es eine destillierte, schnellere Version.

Im Blindvergleich der Entwickler schlägt Kandinsky 6.0 Video Pro das Vorgängermodell Kandinsky 5.0 Video Pro deutlich und hält mit führenden Audio-Video-Modellen mit, vor allem bei der Sprachqualität. Laut Sber gewinnt die neue Version im Schnitt in 71 % der Fälle gegen die alte.

Wo du es ausführen kannst

• GigaChat: kostenlos, im Browser und in der App.
• Hugging Face und GitHub: Gewichte von Lite, Pro, den destillierten Versionen und dem Upscaler; die MIT-Lizenz erlaubt kommerzielle Nutzung.
• Lokal: über Diffusers, ComfyUI oder vLLM-Omni. Pro läuft auf einer GPU mit 16 GB VRAM.

Grenzen

Die größte Grenze ist die Länge. Fünf Sekunden ohne Verlängerungsmodus bedeuten: Für 30 Sekunden braucht es sechs Generierungen und einen Schnitt. Zum Vergleich: Veo 3.1 liefert 8 Sekunden in nativem 1080p, Grok Imagine bis zu 15 Sekunden und Seedance 2.5 bis zu 30 Sekunden in einem Durchgang. Kandinskys Full HD ist aus 480p hochskaliert, nicht nativ gerendert. Der technische Bericht vergleicht das Modell mit Seedance 2.0, obwohl zum Release schon Seedance 2.5 verfügbar war.

Das vorherige Kandinsky 5.0 landete im Arena-Video-Ranking auf Platz 37 und 44 von 48 – mehr dazu in unserer Übersicht russischer KI-Videogeneratoren. In unabhängigen Rankings taucht Kandinsky 6.0 bislang nicht auf.

So probierst du es in AI2Face aus

Kandinsky 6.0 Video ist im Generator von AI2Face verfügbar, neben Modellen, die längere Clips mit Ton in nativem 1080p erzeugen: Veo 3.1, Kling, Seedance und Gemini Omni. Du kannst einen Prompt durch mehrere Modelle schicken und das beste Ergebnis behalten; die Kosten siehst du vor jeder Generierung. Alle Optionen findest du in unserem Guide zu KI-Videogeneratoren.