Теперь ты можешь получить Full HD-ролик до 5 секунд: генерация видео в Kandinsky 6.0 Video идёт сразу с синхронизированным звуком — речью, музыкой и шумами. Губы персонажа двигаются в такт речи, а звук остаётся чистым на 44 кГц. Модель открыта по MIT и в Lite-версии работает даже на потребительских GPU от 16 ГБ.
Что вообще произошло
Команда, стоящая за Kandinsky, выпустила две версии видео-модели. Pro — старшая, она уверенно обходит прошлую Kandinsky 5.0 по всем критериям, а Lite (3B) — младшая, и вот это самое интересное: она запускается на обычных домашних видеокартах от 16 ГБ видеопамяти. То есть не нужен мощный сервер, хватит игрового компьютера.
Что умеет модель, если по-человечески:
• Видео со звуком сразу. Речь, музыка и фоновые шумы генерируются вместе с картинкой, а не приклеиваются отдельно.
• Lip-sync. Губы персонажа двигаются синхронно с речью.
• Физика. Люди, животные и предметы двигаются естественно, без эффекта «сломанной куклы».
• Длительность — максимум 5 секунд. Разработчики обещают, что со временем лимит вырастет.
По бенчмаркам Pro обходит LTX 2.5 по визуальному качеству и речи. Сравнение с Veo 3.1 Fast в анимации изображений тоже заявлено в пользу Kandinsky, но тут честная оговорка: это самооценка разработчиков, независимого подтверждения превосходства над всеми топовыми моделями пока нет. Детали разбора можно посмотреть в обзорах AICoder, ExplainX и Miraflow, а технические детали — в отчёте на arXiv.
Что это даёт лично тебе
Вот конкретные люди и конкретная польза.
Мама двоих детей ведёт блог про детские поделки. Раньше на один ролик уходил вечер: снять, переозвучить, склеить. Теперь она пишет текстом, что должен сказать персонаж, и через 5 секунд получает готовую сцену с голосом. Таких сцен за час можно собрать десяток и смонтировать в один ролик.
Владелец кофейни у метро. Ему нужна реклама нового напитка, но на съёмочную команду денег нет. Он делает ролик с говорящим стаканом кофе — без актёров, без студии, без аренды света. Это тот самый случай, когда ИИ для создания видеоконтента заменяет целый продакшн.
Фрилансер-дизайнер. Клиент присылает статичную картинку и просит «оживить». Дизайнер анимирует её и добавляет голос — и берёт за это как за отдельную услугу. Навык осваивается за вечер, а спрос на такие задачи уже есть.
Репетитор по истории. Он делает короткие ролики, где «говорит» сама историческая фигура. Ученики смотрят такое в разы охотнее, чем конспект, а подготовка занимает минуты.
Парень, который зарабатывает на ASMR-роликах. Естественные звуки — дождь, шелест, треск костра — генерируются вместе с видео. Не надо никуда ехать с микрофоном и записывать лес.
Небольшая онлайн-школа. Вместо диктора и монтажёра — озвученные персонажи в соцсетях. Контент выходит каждый день, а не раз в неделю.
Как попробовать прямо сейчас
Шаг 1. Начни с бесплатного и самого простого. Для первого знакомства с тем, как вообще формулировать задачи для видео-ИИ, удобнее всего Gemini — там ты за пару минут поймёшь логику промптов, не устанавливая ничего на компьютер.
Шаг 2. Возьми готовую сборку. Сама Kandinsky 6.0 Video доступна в ComfyUI — это визуальный конструктор, где модель собирается из блоков мышкой, без программирования. Веса модели лежат на Hugging Face, скачиваются бесплатно.
Шаг 3. Проверь свою видеокарту. Если у тебя 16 ГБ видеопамяти и больше — ставь Lite (3B) и генерируй локально, без интернета и без подписок. Нейросеть для видео бесплатна, прямо на своём компьютере — это можно сделать уже сейчас.
Шаг 4. Если умеешь в код — модель поддерживается в Diffusers, FastVideo, SGLang и vLLM-omni. Это варианты для тех, кто хочет встроить генерацию в свой сервис или автоматизировать поток роликов.
Шаг 5. Напиши первый промпт. Опиши сцену, персонажа, что он говорит, и какой звук должен быть на фоне. Получишь файл в Full HD — его можно сразу выкладывать.
Плюсы, и что изменится через полгода
Раньше за такое брали деньги как за магию: анимация картинки, синхронная речь, чистый звук — всё это были отдельные платные сервисы. Теперь это одна бесплатная модель с открытой лицензией MIT, которую можно запустить даже дома.
Что станет нормой через месяц-полгода: реклама без съёмочной команды, обучающие ролики с говорящими персонажами, озвученные сторис у малого бизнеса. Длительность наверняка подрастёт с 5 секунд, а качество картинки — дотянется до уровня платных гигантов. Раннее освоение инструмента может дать преимущество.
Минусы, честно. Максимум пока 5 секунд — для длинного ролика придётся склеивать несколько сцен. Порог в 16 ГБ видеопамяти отсекает старые ноутбуки. А преимущество над Veo 3.1 Fast — пока заявление самих разработчиков, не независимая проверка.
Что сделать сегодня
Не откладывай на «когда будет время». Открой Gemini, опиши одну короткую сцену — кто в кадре, что говорит, какой звук на фоне — и посмотри, что получится. Это займёт пять минут, но именно с такого теста начинается навык, который завтра можно продавать.
🎁 Бонус: готовый промпт
Скопируй и подставь своё:
```
Сцена: уютная кофейня утром, тёплый солнечный свет из окна.
Персонаж: бариста, 25 лет, улыбается, смотрит в камеру.
Реплика: «Попробуй новый латте — он готовится ровно пять секунд».
Звук: тихая джазовая музыка, лёгкий звон чашек на фоне.
Камера: медленный наезд, средний план.
Длительность: 5 секунд.
```
Чек-лист перед генерацией:
• Опиши одно действие, а не три — сцена длится всего 5 секунд.
• Укажи реплику целиком, иначе губы и речь могут разъехаться.
• Добавь фоновый звук: без него ролик звучит пусто.
• Сгенерируй 3–4 варианта и выбери лучший — это быстрее, чем доводить один.
Комментарии 0