Kandinsky 6.0 Video：Sberが音声付き動画モデルを重みごと公開

2026年10月6日、SberとKandinsky Labのチームは、映像と音声を同時に生成するモデル Kandinsky 6.0 Video を公開しました。Sberはこれを同期音声を備えたロシア初のニューラルネットワークとしています。前世代のKandinsky 5.0は無音の動画しか作れませんでした。GigaChatで無料で使え、コードと重みはMITライセンスで公開されています。

Kandinsky 6.0 Videoでできること

• 音声付き動画。 完成した動画に後から音を重ねるのではなく、同じモデルが映像と一緒に音声を生成します。口の動きに合ったキャラクターのセリフ、音楽、環境音に対応。音声は44 kHzで、オフにもできます。
• 2つのモード： テキストから動画、または最初のフレームと説明文から動画。
• 長さ： 5秒（24 fpsで121フレーム）。
• 解像度： モデル本体は864×480で生成し、別モデルのKandinsky 6.0 Video SRが1920×1080にアップスケールします。GigaChatではSD、HD、Full HDから選べます。
• 未知の物体。 学習後に登場した物体やキャラクターについては、参照を取り込んで対応します。

LiteとProの違い

ファミリーは2つのモデルで構成されます。Lite は30億パラメータで高速。Pro は290億パラメータで、画質重視のフラッグシップです。どちらも両モードに対応し、それぞれに高速な蒸留版があります。

開発者のブラインド比較では、Kandinsky 6.0 Video ProはKandinsky 5.0 Video Proをはっきり上回り、主要な音声付き動画モデルとも互角に渡り合いました。特にセリフの品質で健闘しています。Sberによると、新バージョンは平均71%のケースで旧バージョンに勝っています。

実行できる場所

• GigaChat： 無料。ブラウザとアプリで利用できます。
• Hugging FaceとGitHub： Lite、Pro、蒸留版、アップスケーラーの重み。MITライセンスなので商用利用も可能です。
• ローカル： Diffusers、ComfyUI、vLLM-Omniで実行可能。ProはVRAM 16 GBのGPUで動きます。

制限

最大の制限は長さです。5秒で延長モードもないため、30秒の動画には6回の生成とつなぎ合わせが必要です。比較すると、Veo 3.1 はネイティブ1080pで8秒、Grok Imagine は最長15秒、Seedance 2.5は1回で最長30秒を生成します。KandinskyのFull HDは480pからのアップスケールで、ネイティブ解像度ではありません。技術レポートの比較対象はSeedance 2.0ですが、公開時点ですでにSeedance 2.5が出ていました。

前世代のKandinsky 5.0は、Arenaの動画ランキングで48モデル中37位と44位でした。詳しくは ロシアのAI動画生成ツール のまとめをご覧ください。Kandinsky 6.0はまだ独立したランキングに登場していません。

AI2Faceで試すには

Kandinsky 6.0 VideoはAI2Faceのジェネレーターで使えます。隣にはネイティブ1080pで、より長い音声付き動画を作れる Veo 3.1、Kling、Seedance、Gemini Omni が並びます。同じプロンプトを複数のモデルで試し、最も良いテイクを選べます。費用は生成前に表示されます。すべての選択肢は AI動画生成ツール のガイドをご覧ください。