«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.

• Предыдущая версия, Kandinsky 5.0 Video Pro, более полугода держала первое место среди открытых text-to-video моделей на arena.ai, сравнявшись по качеству с Veo 3
• По данным Data Secrets, vc.ru и Сергея Маркова, новая Pro-версия показывает качество на уровне Veo 3.1 Audio; при этом сама команда разработчиков (канал Mashkka про Data Science) заявляет, что флагман «на уровне Veo 3.1 Fast» — источники расходятся в формулировке
• Среди открытых моделей Kandinsky 6.0 Video Pro уступает только MiniMax H3 и идёт на паритете с LTX 2.5
• Модели поддерживают text-to-video и image-to-video, форматы 16:9, 9:16 и 1:1, видео до 24 fps, Full HD достигается отдельным апскейлером Kandinsky SR 2.0 Video
• Для обучения подготовлено 50 млн изображений, 20 млн видеосцен, 40 млн аудиотреков и 7 млн видео с синхронным аудио; архитектура — CrossDiTi с двумя башнями (видео и аудио) и bidirectional audio-video cross-attention, видеобашня инициализирована весами Kandinsky 5.0 Video, аудиобашня обучена с нуля
• По данным канала «Нейронавт», Lite-версии достаточно ~12–15 ГБ весов и 16–24 ГБ VRAMi с оффлоадом (подходят RTX 5060 Ti — 5090), а Pro требует ~60 ГБ и карту H100/A100 80 ГБ или несколько видеокарт
• Опубликован подробный технический отчёт с описанием архитектуры, данных и обучения, который на момент выхода занимает #1 Paper of the day