Kandinsky 6.0 Video är öppen källkod: vad som ingår och vad som krävs för att köra det
Den 6 oktober 2026 öppnade Kandinsky Lab källkoden till Kandinsky 6.0 Video, en familj av diffusionsmodeller som genererar video och ljud tillsammans. Koden, vikterna och Diffusers-integrationen publiceras under MIT-licensen, vilket gör den till en av de mest tillåtligt licensierade ljud-videomodellerna som finns. Den här artikeln täcker vad som ingår i släppet, vad som krävs för att köra det och hur den står sig mot andra öppna videomodeller. Senast kontrollerad: 2026-10-08.
Vad som ingår i släppet
- Två storlekar. Kandinsky 6.0 Video Lite har 3 miljarder parametrar och Pro 29 miljarder. Varje storlek finns som huvudcheckpoint, snabbare destillerad checkpoint och förträningscheckpoint.
- Video med ljud. Båda genererar 5-sekundersklipp med synkroniserat 44 kHz-ljud, läppsynk inkluderat, från text (T2AV) eller från text plus en referensbild (TI2AV).
- Superupplösningsmodul. En separat modell, Kandinsky 6.0 Video Super-Resolution, förstorar klipp 2x, 2,25x eller 4x. Så når släppet Full HD (1920x1080); Pros basexempel renderas i 864x480 och 24 fps.
- Verktyg från dag ett. Stöd i Diffusers, ComfyUI, vLLM-Omni, SGLang och FastVideo, plus en demo av Pro Distill på Hugging Face Spaces.
Licens
Koden på GitHub och varje checkpoint på Hugging Face är MIT. Inga territoriella begränsningar, ingen omsättningsgräns och ingen bilaga om godtagbar användning: du kan köra den själv, finjustera den och bygga kommersiella produkter på den. Den enda fotnoten finns i superupplösningsrepot, där Diffusers exportmallar behåller sina ursprungliga Apache-2.0-notiser.
Vad som krävs för att köra det
Kandinsky 6.0 kräver en NVIDIA GPU och Python 3.13 eller 3.14. Repot levererar förinställningar från datacenterkort (H100, A100 80 GB, RTX PRO 6000) till konsumentkort (RTX 5090, 5080, 4090 och 16 GB-versionen av RTX 5060 Ti). Konsumentkorten körs med blockavlastning, och 16 GB-förinställningen använder den destillerade Pro-checkpointen med en kvantiserad textkodare. I vLLM-Omni räcker inte ens 80 GB för Pro utan CPU-avlastning. Planera för disk också: enbart transformervikterna för Pro tar cirka 70 GB, mot cirka 7,5 GB för Lite.
Den större begränsningen är tiden. Här är repots egna mätningar för ett 5-sekundersklipp, efter uppvärmning och exklusive modulladdning:
| 5-sekundersklipp | 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 |
Det är nästan sju minuter per klipp på en H100 för Pro i Full HD och ungefär en timme på ett 16 GB-kort. De destillerade checkpointerna förkortar det, men det är en modell för batchrendering och forskning, inte för interaktiva förhandsvisningar på en bärbar dators GPU.
Jämförelse med andra öppna videomodeller
| Kandinsky 6.0 Video | MiniMax H3 | Wan 2.2 | |
|---|---|---|---|
| Licens | MIT | MiniMax Community License; utesluter EU, Storbritannien, Sydkorea och USA och kräver godkännande över 20 MUSD i omsättning | Apache-2.0 |
| Egen värdbaserad utmatning | 5 s; Full HD via SR-modulen | 768p; 2K kräver MiniMax värd-API | 480p eller 720p |
| Ljud | Genererat, 44 kHz, med läppsynk | Genererat | Genereras inte (S2V-modellen tar ljud som indata) |
| Minimikonfiguration | 16 GB-kort med avlastning, långsamt | Referenskonfigurationen använder 4 GPU:er per variant | 5B-modell på en 24 GB RTX 4090 |
Kort sagt: om du behöver öppna vikter med ljud och en licens som ditt juridiska team godkänner var som helst är Kandinsky 6.0 nu den självklara kandidaten. MiniMax H3 ger mer utrymme i upplösning, men dess licens utesluter egen drift på fyra stora marknader. Wan 2.2 förblir det lättare och väl understödda valet när du inte behöver genererat ljud.
Finns Kandinsky 6.0 på Imgo?
Nej. Kandinsky 6.0 är inte integrerad i Imgo och vi lovar ingen onlinegenerering med den. Om du vill ha värdbaserad video med nativt ljud idag kör Imgo Seedance 2.0, med klipp på upp till 15 sekunder, bild-, video- och ljudreferenser samt genererat ljud. Listan över tillgängliga modeller visar allt du kan generera just nu.
Källor
Dela
Related Posts
No image
Kling 4.0 Flash öppnade i tidig åtkomst den 28 september för en begränsad grupp — enligt rapporter årsabonnenter på Ultra — med klipp på 3–20 sekunder i 720p. Hur du kommer in, vad det kostar, hur du skriver prompts på 8 000 token och keyframe-planen, och vad du genererar medan du väntar.
No image
Wan 3.0 accepterar ett dokument, en webblänk, bilder, videor och ljud som indata. Den här praktiska guiden tar upp vad varje indata används till, hur en prompt för ett 30-sekunderstag byggs upp, budgetexempel per sekund från 480p till 1080p på båda nivåerna, och de vanligaste felen.
No image
Kling 4.0 Flash har funnits i tidig åtkomst sedan den 28 september 2026; den fullständiga modellen och dess API dröjer, med oktober 2026 som mål. Här är vad varje nivå gör, vilka toppspecifikationer som bara är tillkännagivna och vad du använder under tiden.