Kandinsky 6.0 Video é código aberto: o que foi lançado e o que é preciso para rodar
Em 6 de outubro de 2026, a Kandinsky Lab abriu o código do Kandinsky 6.0 Video, uma família de modelos de difusão que geram vídeo e áudio juntos. O código, os pesos e a integração com Diffusers foram publicados sob a licença MIT, o que o torna um dos modelos de áudio e vídeo com licença mais permissiva disponíveis. Este artigo cobre o que foi lançado, o que é preciso para rodar e como ele se compara com os outros modelos de vídeo abertos. Última verificação: 2026-10-08.
O que foi lançado
- Dois tamanhos. O Kandinsky 6.0 Video Lite tem 3 bilhões de parâmetros e o Pro, 29 bilhões. Cada um vem como checkpoint principal, checkpoint destilado mais rápido e checkpoint de pré-treinamento.
- Vídeo com som. Ambos geram clipes de 5 segundos com áudio de 44 kHz sincronizado, incluindo sincronização labial, a partir de texto (T2AV) ou de texto mais uma imagem de referência (TI2AV).
- Módulo de super-resolução. Um modelo separado, o Kandinsky 6.0 Video Super-Resolution, amplia os clipes em 2x, 2,25x ou 4x. É assim que o lançamento chega ao Full HD (1920x1080); o exemplo base do Pro renderiza a 864x480 e 24 fps.
- Ferramentas desde o primeiro dia. Suporte no Diffusers, ComfyUI, vLLM-Omni, SGLang e FastVideo, além de uma demonstração do Pro Distill no Hugging Face Spaces.
Licença
O código no GitHub e todos os checkpoints no Hugging Face são MIT. Não há restrição territorial, limite de receita nem anexo de uso aceitável: você pode hospedar, fazer fine-tuning e lançar produtos comerciais com ele. A única nota está no repositório de super-resolução, onde os modelos de exportação do Diffusers mantêm seus avisos originais de Apache-2.0.
O que é preciso para rodar
O Kandinsky 6.0 exige uma GPU NVIDIA e Python 3.13 ou 3.14. O repositório traz predefinições de placas de data center (H100, A100 80 GB, RTX PRO 6000) a placas de consumo (RTX 5090, 5080, 4090 e a RTX 5060 Ti de 16 GB). As placas de consumo rodam com offload em blocos, e a predefinição de 16 GB usa o checkpoint Pro destilado com um codificador de texto quantizado. No vLLM-Omni, nem 80 GB bastam para o Pro sem offload de CPU. Planeje também o disco: só os pesos do transformer do Pro ocupam cerca de 70 GB, contra cerca de 7,5 GB do Lite.
A limitação mais séria é o tempo. Estas são as medições do próprio repositório para um clipe de 5 segundos, após aquecimento e sem contar o carregamento do modelo:
| Clipe 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 |
Isso dá quase sete minutos por clipe numa H100 para o Pro em Full HD e cerca de uma hora numa placa de 16 GB. Os checkpoints destilados encurtam esse tempo, mas continua sendo um modelo para renderização em lote e pesquisa, não para pré-visualizações interativas na GPU de um notebook.
Comparação com outros modelos de vídeo abertos
| Kandinsky 6.0 Video | MiniMax H3 | Wan 2.2 | |
|---|---|---|---|
| Licença | MIT | MiniMax Community License; exclui UE, Reino Unido, Coreia do Sul e EUA, e exige autorização acima de US$ 20 milhões de receita | Apache-2.0 |
| Saída auto-hospedada | 5 s; Full HD pelo módulo SR | 768p; o 2K requer a API hospedada da MiniMax | 480p ou 720p |
| Áudio | Gerado, 44 kHz, com sincronização labial | Gerado | Não gerado (o modelo S2V recebe áudio como entrada) |
| Configuração mínima | Placa de 16 GB com offload, lenta | A configuração de referência usa 4 GPUs por variante | Modelo 5B numa RTX 4090 de 24 GB |
Resumindo: se você precisa de pesos abertos com som e de uma licença que seu jurídico aprove em qualquer lugar, o Kandinsky 6.0 é hoje o candidato óbvio. O MiniMax H3 oferece mais folga de resolução, mas a licença dele descarta a auto-hospedagem em quatro grandes mercados. O Wan 2.2 continua sendo a escolha mais leve e bem suportada quando o áudio gerado não é necessário.
O Kandinsky 6.0 está no Imgo?
Não. O Kandinsky 6.0 não está integrado ao Imgo e não prometemos geração online com ele. Se você quer vídeo hospedado com áudio nativo hoje, o Imgo oferece o Seedance 2.0, com clipes de até 15 segundos, referências de imagem, vídeo e áudio e som gerado. A lista de modelos disponíveis mostra tudo o que você pode gerar agora.
Fontes
Compartilhar
Related Posts
No image
O Kling 4.0 Flash abriu em acesso antecipado em 28 de setembro para um grupo limitado — assinantes anuais Ultra, segundo os relatos — com clipes de 3–20 segundos em 720p. Como entrar, quanto custa, como escrever os prompts de 8.000 tokens e o plano de keyframes, e o que gerar enquanto isso.
No image
O Wan 3.0 aceita um documento, um link da web, imagens, vídeos e áudio como entradas. Este guia prático cobre para que serve cada entrada, como estruturar o prompt de uma tomada de 30 segundos, exemplos de orçamento por segundo de 480p a 1080p nos dois níveis e os erros mais comuns.
No image
O Kling 4.0 Flash está em acesso antecipado desde 28 de setembro de 2026; o modelo completo e sua API ainda estão pendentes, com previsão para outubro de 2026. Veja o que cada nível faz, quais especificações de destaque são apenas anunciadas e o que usar enquanto isso.