«Сбер» представил линейку моделей Kandinsky 6.0 Video — первую российскую нейросеть, которая одновременно генерирует видео и синхронный звук: речь с lip-synci, музыку и звуки окружения. Ролики длятся до пяти секунд, качество звука — 44 кГц, при необходимости аудио можно отключить.

Линейка включает две модели: компактную Lite (3B параметров) для запуска на потребительских видеокартах и флагманскую Pro (29B параметров) с лучшим качеством визуала и следования промпту. Веса открыты под MIT на Hugging Face, код — на GitHub, модель доступна бесплатно в ГигаЧате, а также интегрирована в международный стек инструментов: Diffusers, ComfyUI, FastVideo, SGLang, vLLM-omni и FAL.

Полный разбор →

Google представила EmbeddingGemma 2 — открытую модель, которая переводит текст, код, изображения, видео и аудио в единое векторное пространство. Это позволяет искать нужный кадр в видео по голосовой заметке, находить фото по текстовому описанию или искать по аудиозаписям текстом — всё локально, без отправки данных в облако.

Модель построена на Gemma 4i и работает даже на смартфонах: по данным Google, на Pixel 11 Pro полная модель потребляет около 567 МБ активной RAM. В отличие от первой версии EmbeddingGemma, которая работала только с текстом, вторая версия мультимодальна и, по заявлению Google, показывает лучший результат среди мультимодальных эмбеддеров до 1 млрд параметров.

Полный разбор →

Проект FlashML-org представил FreeVideo — открытый движок для генерации видео со звуком, который работает на обычном домашнем ПК с видеокартой NVIDIA. В основе — открытая видеомодель MiniMax H3i, которую раньше запускали только на серверах. Установка на Windows занимает пару кликов, минимальное требование — видеокарта с 8 ГБ VRAM.

В отличие от облачных генераторов, берущих деньги за каждый ролик, здесь платишь электричеством и временем: на средней карте 10 секунд видео генерируются около девяти минут. Код полностью бесплатный и открытый, репозиторий опубликован на github.com/FlashML-org/FreeVideo.

Полный разбор →