Kandinsky 6.0 Video: Sber lança um modelo de vídeo com áudio e pesos abertos

Em 6 de outubro de 2026, a Sber e a equipe do Kandinsky Lab lançaram o Kandinsky 6.0 Video, um modelo que gera vídeo e som juntos. A Sber o apresenta como a primeira rede neural russa com áudio sincronizado: o Kandinsky 5.0 anterior fazia clipes mudos. O modelo é gratuito no GigaChat, e o código e os pesos estão abertos sob licença MIT.

O que o Kandinsky 6.0 Video faz

• Vídeo com áudio. O som não é aplicado a um clipe pronto: o mesmo modelo o gera junto com a imagem. Fala dos personagens com sincronia labial, música e ruídos de ambiente. A faixa tem 44 kHz, e o áudio pode ser desligado.
• Dois modos: texto para vídeo, ou primeiro quadro mais descrição.
• Duração: 5 segundos, 121 quadros a 24 fps.
• Resolução: o modelo gera em 864×480, e um modelo separado, o Kandinsky 6.0 Video SR, faz o upscale para 1920×1080. No GigaChat dá para escolher SD, HD e Full HD.
• Objetos desconhecidos. O sistema busca referências de objetos e personagens que surgiram depois do treinamento.

Lite e Pro: diferenças

A família tem dois modelos. O Lite, com 3 bilhões de parâmetros, é rápido. O Pro, com 29 bilhões, é o carro-chefe em qualidade. Os dois funcionam nos dois modos, e cada um tem uma versão destilada mais rápida.

Na avaliação às cegas dos desenvolvedores, o Kandinsky 6.0 Video Pro supera com folga o Kandinsky 5.0 Video Pro e compete com os principais modelos de áudio e vídeo, sobretudo na qualidade da fala. Segundo a Sber, a nova versão vence a anterior em 71% dos casos, em média.

Onde rodar

• GigaChat: grátis, no navegador e no app.
• Hugging Face e GitHub: pesos do Lite, do Pro, das versões destiladas e do upscaler; a licença MIT permite uso comercial.
• Localmente: via Diffusers, ComfyUI ou vLLM-Omni. O Pro roda numa GPU com 16 GB de VRAM.

Limitações

A principal é a duração. Cinco segundos sem modo de extensão significam que um clipe de 30 segundos exige seis gerações e edição. Para comparar: o Veo 3.1 faz 8 segundos em 1080p nativo, o Grok Imagine chega a 15 segundos e o Seedance 2.5 faz até 30 segundos de uma vez. O Full HD do Kandinsky é um upscale do 480p, não uma resolução nativa. O relatório técnico compara o modelo com o Seedance 2.0, embora o Seedance 2.5 já estivesse disponível no lançamento.

O Kandinsky 5.0 anterior ficou em 37º e 44º lugar entre 48 no ranking de vídeo da Arena — mais detalhes no nosso panorama de IAs de vídeo russas. O Kandinsky 6.0 ainda não aparece em rankings independentes.

Como testar no AI2Face

O Kandinsky 6.0 Video está disponível no gerador do AI2Face ao lado de modelos que fazem clipes mais longos com áudio em 1080p nativo: Veo 3.1, Kling, Seedance e Gemini Omni. Você pode passar o mesmo prompt por vários modelos e ficar com a melhor tomada; o custo aparece antes de cada geração. Todas as opções estão no nosso guia de geradores de vídeo com IA.