Kandinsky 6.0 Video jako open source: co dostajesz i czego trzeba, żeby to uruchomić
6 października 2026 Kandinsky Lab udostępniło na licencji open source Kandinsky 6.0 Video, rodzinę modeli dyfuzyjnych generujących obraz i dźwięk jednocześnie. Kod, wagi i integracja z Diffusers są publikowane na licencji MIT, co czyni ją jednym z najswobodniej licencjonowanych modeli audio-wideo. Ten tekst opisuje, co zawiera wydanie, czego trzeba do uruchomienia i jak model wypada na tle innych otwartych modeli wideo. Ostatnio sprawdzono: 2026-10-08.
Co zawiera wydanie
- Dwa rozmiary. Kandinsky 6.0 Video Lite ma 3 miliardy parametrów, Pro — 29 miliardów. Każdy jest dostępny jako główny checkpoint, szybszy checkpoint destylowany i checkpoint pretreningowy.
- Wideo z dźwiękiem. Oba generują 5-sekundowe klipy z zsynchronizowanym dźwiękiem 44 kHz, z synchronizacją ust włącznie, z tekstu (T2AV) albo z tekstu i obrazu referencyjnego (TI2AV).
- Moduł superrozdzielczości. Osobny model, Kandinsky 6.0 Video Super-Resolution, powiększa klipy 2x, 2,25x lub 4x. Właśnie tak wydanie dociera do Full HD (1920x1080); podstawowy przykład Pro renderuje w 864x480 i 24 fps.
- Narzędzia od pierwszego dnia. Wsparcie w Diffusers, ComfyUI, vLLM-Omni, SGLang i FastVideo, poza tym demo Pro Distill na Hugging Face Spaces.
Licencja
Kod na GitHubie i każdy checkpoint na Hugging Face są na MIT. Żadnych ograniczeń terytorialnych, progów przychodów ani załącznika o dopuszczalnym użyciu: możesz hostować samodzielnie, dostrajać i budować na tym produkty komercyjne. Jedyna uwaga dotyczy repozytorium superrozdzielczości, gdzie szablony eksportu Diffusers zachowują oryginalne adnotacje Apache-2.0.
Czego trzeba do uruchomienia
Kandinsky 6.0 wymaga GPU NVIDII i Pythona 3.13 albo 3.14. Repozytorium dostarcza presety od kart datacenter'owych (H100, A100 80 GB, RTX PRO 6000) po konsumenckie (RTX 5090, 5080, 4090 i 16-gigabajtowa RTX 5060 Ti). Karty konsumenckie działają z odciążaniem blokowym, a preset 16 GB używa destylowanego checkpointu Pro ze skwantyzowanym kodownikiem tekstu. W vLLM-Omni nawet 80 GB nie wystarcza dla Pro bez odciążenia na CPU. Zaplanuj też dysk: same wagi transformera Pro zajmują około 70 GB, wobec około 7,5 GB dla Lite.
Poważniejszym ograniczeniem jest czas. Oto pomiary samego repozytorium dla jednego 5-sekundowego klipu, po rozgrzaniu i bez ładowania modelu:
| 5-sekundowy klip | 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 |
Czyli prawie siedem minut na klip na H100 dla Pro w Full HD i około godziny na karcie 16 GB. Destylowane checkpointy skracają ten czas, ale to model do renderowania wsadowego i badań, nie do interaktywnych podglądów na GPU laptopa.
Porównanie z innymi otwartymi modelami wideo
| Kandinsky 6.0 Video | MiniMax H3 | Wan 2.2 | |
|---|---|---|---|
| Licencja | MIT | MiniMax Community License; wyklucza UE, Wielką Brytanię, Koreę Południową i USA, a powyżej 20 mln $ przychodu wymaga zgody | Apache-2.0 |
| Wynik self-hosted | 5 s; Full HD przez moduł SR | 768p; 2K wymaga hostowanego API MiniMax | 480p lub 720p |
| Dźwięk | Generowany, 44 kHz, z synchronizacją ust | Generowany | Niegenerowany (model S2V przyjmuje dźwięk na wejściu) |
| Minimalna konfiguracja | Karta 16 GB z odciążaniem, powoli | Konfiguracja referencyjna używa 4 GPU na wariant | Model 5B na 24-gigabajtowej RTX 4090 |
Krótko: jeśli potrzebujesz otwartych wag z dźwiękiem i licencji, którą twój dział prawny zatwierdzi w każdym kraju, Kandinsky 6.0 jest teraz oczywistym kandydatem. MiniMax H3 daje więcej zapasu rozdzielczości, ale jej licencja wyklucza self-hosting na czterech dużych rynkach. Wan 2.2 pozostaje lżejszym i dobrze wspieranym wyborem, gdy generowany dźwięk nie jest potrzebny.
Czy Kandinsky 6.0 jest w Imgo?
Nie. Kandinsky 6.0 nie jest zintegrowany z Imgo i nie obiecujemy dla niego generacji online. Jeśli dziś potrzebujesz hostowanego wideo z natywnym dźwiękiem, Imgo prowadzi Seedance 2.0, z klipami do 15 sekund, referencjami z obrazów, wideo i audio oraz generowanym dźwiękiem. Lista dostępnych modeli pokazuje wszystko, co możesz generować teraz.
Źródła
Udostępnij
Related Posts
No image
Kling 4.0 Flash otworzył wczesny dostęp 28 września dla ograniczonej grupy — wedle doniesień rocznych subskrybentów Ultra — z klipami 3–20 sekund w 720p. Jak wejść, ile to kosztuje, jak pisać prompty na 8 000 tokenów i plan klatek kluczowych, oraz co generować w międzyczasie.
No image
Wan 3.0 przyjmuje jako wejście dokument, link internetowy, obrazy, wideo i audio. Ten praktyczny przewodnik omawia przeznaczenie każdego wejścia, strukturę promptu dla ujęcia 30-sekundowego, przykłady budżetu na sekundę od 480p do 1080p na obu poziomach i najczęstsze błędy.
No image
Kling 4.0 Flash jest we wczesnym dostępie od 28 września 2026 r.; pełny model i jego API wciąż czekają na premierę, zaplanowaną na październik 2026 r. Wyjaśniamy, co daje każdy wariant, które kluczowe parametry są tylko zapowiedziane i czego używać w międzyczasie.