Kandinsky 6.0 Video ya es de código abierto: qué incluye y qué hace falta para ejecutarlo
El 6 de octubre de 2026, Kandinsky Lab liberó Kandinsky 6.0 Video, una familia de modelos de difusión que generan vídeo y audio a la vez. El código, los pesos y la integración con Diffusers se publican con licencia MIT, lo que lo convierte en uno de los modelos de audio y vídeo con la licencia más permisiva. Este artículo repasa qué incluye, qué hace falta para ejecutarlo y cómo se compara con otros modelos de vídeo abiertos. Última revisión: 2026-10-08.
Qué incluye
- Dos tamaños. Kandinsky 6.0 Video Lite tiene 3.000 millones de parámetros y Pro, 29.000 millones. Cada uno se ofrece como checkpoint principal, checkpoint destilado más rápido y checkpoint de preentrenamiento.
- Vídeo con sonido. Ambos generan clips de 5 segundos con audio sincronizado a 44 kHz, incluida la sincronización labial, a partir de texto (T2AV) o de texto más una imagen de referencia (TI2AV).
- Módulo de superresolución. Un modelo aparte, Kandinsky 6.0 Video Super-Resolution, amplía los clips 2x, 2,25x o 4x. Así llega la versión a Full HD (1920x1080); el ejemplo base de Pro renderiza a 864x480 y 24 fps.
- Herramientas desde el primer día. Compatibilidad con Diffusers, ComfyUI, vLLM-Omni, SGLang y FastVideo, además de una demo de Pro Distill en Hugging Face Spaces.
Licencia
El código de GitHub y todos los checkpoints de Hugging Face son MIT. No hay restricciones territoriales, umbral de ingresos ni anexo de uso aceptable: puedes alojarlo tú mismo, ajustarlo y lanzar productos comerciales con él. La única nota está en el repositorio de superresolución, donde las plantillas de exportación de Diffusers conservan sus avisos originales de Apache-2.0.
Qué hace falta para ejecutarlo
Kandinsky 6.0 necesita una GPU NVIDIA y Python 3.13 o 3.14. El repositorio trae configuraciones desde tarjetas de centro de datos (H100, A100 80 GB, RTX PRO 6000) hasta tarjetas de consumo (RTX 5090, 5080, 4090 y la RTX 5060 Ti de 16 GB). Las tarjetas de consumo usan descarga por bloques, y la configuración de 16 GB emplea el checkpoint Pro destilado con un codificador de texto cuantizado. En vLLM-Omni, ni siquiera 80 GB bastan para Pro sin descarga a CPU. Reserva también disco: solo los pesos del transformer de Pro ocupan unos 70 GB, frente a unos 7,5 GB de Lite.
La limitación más seria es el tiempo. Estas son las mediciones del propio repositorio para un clip de 5 segundos, tras el calentamiento y sin contar la carga del modelo:
| Clip de 5 segundos | H100 | RTX 4090 | RTX 5060 Ti |
|---|---|---|---|
| Lite, SD | 239 s | 437 s | 1.310 s |
| Pro, Full HD | 402 s | 1.247 s | 3.530 s |
Es decir, casi siete minutos por clip en una H100 con Pro en Full HD, y alrededor de una hora en una tarjeta de 16 GB. Los checkpoints destilados reducen esos tiempos, pero es un modelo para renderizado por lotes e investigación, no para previsualizaciones interactivas en la GPU de un portátil.
Cómo se compara con otros modelos de vídeo abiertos
| Kandinsky 6.0 Video | MiniMax H3 | Wan 2.2 | |
|---|---|---|---|
| Licencia | MIT | MiniMax Community License; excluye la UE, Reino Unido, Corea del Sur y EE. UU., y exige autorización por encima de 20 M$ de ingresos | Apache-2.0 |
| Salida autoalojada | 5 s; Full HD mediante el módulo SR | 768p; el 2K requiere la API alojada de MiniMax | 480p o 720p |
| Audio | Generado, 44 kHz, con sincronización labial | Generado | No se genera (el modelo S2V recibe audio como entrada) |
| Configuración mínima | Tarjeta de 16 GB con descarga, lenta | La configuración de referencia usa 4 GPU por variante | Modelo 5B en una RTX 4090 de 24 GB |
En resumen: si necesitas pesos abiertos con sonido y una licencia que tu equipo legal apruebe en cualquier país, Kandinsky 6.0 es ahora el candidato evidente. MiniMax H3 ofrece más margen de resolución, pero su licencia descarta el autoalojamiento en cuatro grandes mercados. Wan 2.2 sigue siendo la opción más ligera y mejor soportada cuando no necesitas audio generado.
¿Está Kandinsky 6.0 en Imgo?
No. Kandinsky 6.0 no está integrado en Imgo y no prometemos generación en línea con él. Si hoy necesitas vídeo alojado con audio nativo, Imgo ofrece Seedance 2.0, con clips de hasta 15 segundos, referencias de imagen, vídeo y audio, y sonido generado. La lista de modelos disponibles muestra todo lo que puedes generar ahora mismo.
Fuentes
Compartir
Related Posts
No image
Kling 4.0 Flash abrió en acceso anticipado el 28 de septiembre para un grupo limitado —según los reportes, suscriptores anuales Ultra— con clips de 3 a 20 segundos en 720p. Cómo entrar, cuánto cuesta, cómo escribir los prompts de 8.000 tokens y el plan de keyframes, y qué generar mientras tanto.
No image
Wan 3.0 acepta un documento, un enlace web, imágenes, vídeos y audio como entradas. Esta guía práctica cubre para qué sirve cada entrada, cómo estructurar el prompt de una toma de 30 segundos, ejemplos de presupuesto por segundo de 480p a 1080p en ambos niveles, y los errores más comunes.
No image
Kling 4.0 Flash está en acceso anticipado desde el 28 de septiembre de 2026; el modelo completo y su API siguen pendientes, con octubre de 2026 como objetivo. Esto es lo que hace cada nivel, qué especificaciones destacadas solo están anunciadas y qué usar mientras tanto.