Kandinsky 6.0 Video: Sber lanza un modelo de video con audio y pesos abiertos

El 6 de octubre de 2026, Sber y el equipo de Kandinsky Lab lanzaron Kandinsky 6.0 Video, un modelo que genera video y sonido a la vez. Sber lo presenta como la primera red neuronal rusa con audio sincronizado: el anterior Kandinsky 5.0 hacía clips sin sonido. El modelo es gratuito en GigaChat, y el código y los pesos están abiertos con licencia MIT.

Qué puede hacer Kandinsky 6.0 Video

• Video con audio. El sonido no se añade a un clip terminado: el mismo modelo lo genera junto con la imagen. Voz de los personajes con sincronía labial, música y ruido ambiente. La pista es de 44 kHz y el audio se puede desactivar.
• Dos modos: texto a video, o primer fotograma más descripción.
• Duración: 5 segundos, 121 fotogramas a 24 fps.
• Resolución: el modelo genera a 864×480, y un modelo aparte, Kandinsky 6.0 Video SR, reescala a 1920×1080. En GigaChat se puede elegir SD, HD y Full HD.
• Objetos desconocidos. El sistema busca referencias de objetos y personajes aparecidos después del entrenamiento.

Lite y Pro: diferencias

La familia tiene dos modelos. Lite, de 3B parámetros, es rápido. Pro, de 29B, es el buque insignia en calidad. Ambos funcionan en los dos modos y cada uno tiene una versión destilada que genera más rápido.

En la evaluación ciega de los desarrolladores, Kandinsky 6.0 Video Pro supera con claridad a Kandinsky 5.0 Video Pro y compite con los principales modelos de audio y video, sobre todo en calidad de voz. Sber afirma que la nueva versión gana a la anterior en el 71 % de los casos de media.

Dónde ejecutarlo

• GigaChat: gratis, en el navegador y en la app.
• Hugging Face y GitHub: pesos de Lite, Pro, las versiones destiladas y el reescalador; la licencia MIT permite el uso comercial.
• En local: con Diffusers, ComfyUI o vLLM-Omni. Pro funciona con una GPU de 16 GB de VRAM.

Limitaciones

La principal es la duración. Cinco segundos sin modo de extensión implican que un clip de 30 segundos requiere seis generaciones y montaje. En comparación, Veo 3.1 hace 8 segundos en 1080p nativo, Grok Imagine llega a 15 segundos y Seedance 2.5, a 30 segundos de una vez. El Full HD de Kandinsky es un reescalado desde 480p, no una resolución nativa. El informe técnico compara el modelo con Seedance 2.0, aunque Seedance 2.5 ya estaba disponible en el lanzamiento.

El anterior Kandinsky 5.0 ocupaba los puestos 37 y 44 de 48 en el ranking de video de Arena; más detalles en nuestra guía de redes neuronales rusas para video. Kandinsky 6.0 aún no aparece en rankings independientes.

Cómo probarlo en AI2Face

Kandinsky 6.0 Video está disponible en el generador de AI2Face junto a modelos que crean clips más largos con audio en 1080p nativo: Veo 3.1, Kling, Seedance y Gemini Omni. Puedes pasar un mismo prompt por varios modelos y quedarte con la mejor toma; el coste se muestra antes de cada generación. Todas las opciones, en nuestra guía de generadores de video con IA.