Kandinsky 6.0 Video เปิดซอร์สแล้ว: ได้อะไรมาและต้องมีอะไรถึงจะรันได้

เมื่อวันที่ 6 ตุลาคม 2026 Kandinsky Lab เปิดซอร์ส Kandinsky 6.0 Video ซึ่งเป็นตระกูลโมเดลดิฟฟิวชันที่สร้างวิดีโอและเสียงออกมาพร้อมกัน โค้ด น้ำหนัก และการเชื่อมกับ Diffusers เผยแพร่ภายใต้สัญญาอนุญาต MIT ทำให้เป็นหนึ่งในโมเดลเสียง-วิดีโอที่อนุญาตแบบเสรีที่สุดที่มีอยู่ บทความนี้ครอบคลุมสิ่งที่มาในรีลีส สิ่งที่ต้องมีเพื่อรัน และเทียบกับโมเดลวิดีโอเปิดซอร์สตัวอื่น ตรวจสอบล่าสุด: 2026-10-08

สิ่งที่มาในรีลีส

• สองขนาด Kandinsky 6.0 Video Lite มี 3 พันล้านพารามิเตอร์ ส่วน Pro มี 29 พันล้าน แต่ละแบบมาเป็นเช็กพอยต์หลัก เช็กพอยต์ดิสทิลที่เร็วกว่า และเช็กพอยต์พรีเทรน
• วิดีโอพร้อมเสียง ทั้งสองรุ่นสร้างคลิป 5 วินาทีพร้อมเสียง 44 kHz ที่ซิงก์กัน รวมถึงลิปซิงก์ จากข้อความ (T2AV) หรือข้อความพร้อมภาพอ้างอิง (TI2AV)
• โมดูลซูเปอร์รีโซลูชัน โมเดลแยกอีกตัวคือ Kandinsky 6.0 Video Super-Resolution ขยายคลิปได้ 2 เท่า 2.25 เท่า หรือ 4 เท่า รีลีสจึงไปถึง Full HD (1920x1080) ได้ด้วยทางนี้ ส่วนตัวอย่างพื้นฐานของ Pro เรนเดอร์ที่ 864x480 และ 24 fps
• เครื่องมือตั้งแต่วันแรก รองรับ Diffusers, ComfyUI, vLLM-Omni, SGLang และ FastVideo พร้อมเดโม Pro Distill บน Hugging Face Spaces

สัญญาอนุญาต

โค้ดบน GitHub และทุกเช็กพอยต์บน Hugging Face ใช้สัญญาอนุญาต MIT ไม่มีข้อจำกัดตามภูมิภาค เพดานรายได้ หรือภาคผนวกการใช้งานที่ยอมรับได้ คุณจะโฮสต์เอง จูนเอง แล้วสร้างผลิตภัณฑ์เชิงพาณิชย์จากมันก็ได้ หมายเหตุเดียวอยู่ในรีโพซิทอรีซูเปอร์รีโซลูชัน ที่เทมเพลตส่งออกของ Diffusers ยังคงระบุ Apache-2.0 ตามต้นฉบับ

ต้องมีอะไรถึงจะรันได้

Kandinsky 6.0 ต้องการ GPU ของ NVIDIA และ Python 3.13 หรือ 3.14 รีโพซิทอรีมีพรีเซ็ตตั้งแต่การ์ดศูนย์ข้อมูล (H100, A100 80 GB, RTX PRO 6000) จนถึงการ์ดผู้บริโภค (RTX 5090, 5080, 4090 และ RTX 5060 Ti แบบ 16 GB) การ์ดผู้บริโภครันแบบบล็อกออฟโหลด และพรีเซ็ต 16 GB ใช้เช็กพอยต์ Pro แบบดิสทิลกับตัวเข้ารหัสข้อความแบบควอนไทซ์ ใน vLLM-Omni แม้แต่ 80 GB ก็ยังไม่พอสำหรับ Pro ถ้าไม่ออฟโหลดไป CPU ต้องเผื่อดิสก์ด้วย เพราะน้ำหนัก transformer ของ Pro อย่างเดียวกินราว 70 GB ส่วน Lite ราว 7.5 GB

ข้อจำกัดที่ใหญ่กว่าคือเวลา นี่คือตัวเลขที่รีโพซิทอรีวัดเองสำหรับคลิป 5 วินาทีหนึ่งคลิป วัดหลังอุ่นเครื่องและไม่นับการโหลดโมเดล:

คลิป 5 วินาที	H100	RTX 4090	RTX 5060 Ti
Lite, SD	239 วินาที	437 วินาที	1,310 วินาที
Pro, Full HD	402 วินาที	1,247 วินาที	3,530 วินาที

ก็คือเกือบเจ็ดนาทีต่อคลิปบน H100 สำหรับ Pro ที่ Full HD และราวหนึ่งชั่วโมงบนการ์ด 16 GB เช็กพอยต์แบบดิสทิลลดเวลาลงได้ แต่นี่คือโมเดลสำหรับงานเรนเดอร์แบบแบตช์และงานวิจัย ไม่ใช่สำหรับพรีวิวแบบโต้ตอบบน GPU ของโน้ตบุ๊ก

เทียบกับโมเดลวิดีโอเปิดซอร์สตัวอื่น

	Kandinsky 6.0 Video	MiniMax H3	Wan 2.2
สัญญาอนุญาต	MIT	MiniMax Community License ตัดสหภาพยุโรป สหราชอาณาจักร เกาหลีใต้ และสหรัฐฯ ออก และรายได้เกิน 20 ล้านดอลลาร์ต้องขออนุมัติ	Apache-2.0
ผลลัพธ์แบบโฮสต์เอง	5 วินาที; Full HD ผ่านโมดูล SR	768p; 2K ต้องใช้ API โฮสต์ของ MiniMax	480p หรือ 720p
เสียง	สร้างให้ 44 kHz พร้อมลิปซิงก์	สร้างให้	ไม่สร้างให้ (โมเดล S2V รับเสียงเป็นอินพุต)
คอนฟิกขั้นต่ำ	การ์ด 16 GB พร้อมออฟโหลด แต่ช้า	คอนฟิกอ้างอิงใช้ 4 GPU ต่อหนึ่งเวอร์ชัน	โมเดล 5B บน RTX 4090 แบบ 24 GB

สรุปสั้น ๆ ถ้าคุณต้องการน้ำหนักเปิดพร้อมเสียง และสัญญาอนุญาตที่ทีมกฎหมายอนุมัติได้ทุกภูมิภาค Kandinsky 6.0 คือตัวเลือกที่ชัดที่สุดตอนนี้ MiniMax H3 เหลือพื้นที่ด้านความละเอียดมากกว่า แต่สัญญาอนุญาตของมันทำให้โฮสต์เองในสี่ตลาดใหญ่ไม่ได้ ส่วน Wan 2.2 ยังเป็นตัวเลือกที่เบากว่าและมีผู้สนับสนุนดีกว่าเมื่อไม่ต้องการเสียงที่สร้างขึ้น

มี Kandinsky 6.0 บน Imgo ไหม

ไม่มี Kandinsky 6.0 ไม่ได้ถูกผสานเข้ากับ Imgo และเราไม่ได้สัญญาการสร้างออนไลน์ด้วยมัน ถ้าคุณต้องการวิดีโอแบบโฮสต์พร้อมเสียงเนทีฟวันนี้ Imgo มี Seedance 2.0 ซึ่งรองรับคลิปสูงสุด 15 วินาที การอ้างอิงจากภาพ วิดีโอ และเสียง พร้อมเสียงที่สร้างขึ้น รายการโมเดลที่ใช้งานได้แสดงทุกอย่างที่คุณสร้างได้ตอนนี้

แหล่งที่มา

• GitHub: kandinskylab/kandinsky-6 (MIT)
• GitHub: kandinskylab/kandinsky-6-sr (MIT)
• Hugging Face: Kandinsky-6.0-Pro-5s-Diffusers
• arXiv: รายงานทางเทคนิคของ Kandinsky 6.0
• Hugging Face: การ์ดโมเดลและสัญญาอนุญาตของ MiniMax H3
• GitHub: Wan 2.2 (Apache-2.0)