«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.
29Bпараметров у модели Kandinsky 6.0 Video Pro
3Bпараметров у компактной модели Video Lite
5 секундмаксимальная длительность ролика