Сбер внедрил Kandinsky 6.0 Video — ГигаЧат теперь генерит видео с озвучкой бесплатно

Сбер выкатил новую модель генерации видео. Теперь в ГигаЧате можно создавать полноценные ролики с озвучкой, музыкой и даже шумом окружения. Kandinsky 6.0 Video - здесь

Вы когда-нибудь пробовали сгенерировать видео с диалогом? Получалось что-то вроде немого кино: картинка движется, персонаж открывает рот, но звука нет. Приходилось отдельно синтезировать речь, потом вручную сводить дорожки, подгонять губы под слова. Часа работы — и всё равно «резиновый рот».

Kandinsky 6.0 Video — модель, которая генерирует видео и звук одновременно. Не «наложить аудио потом», а нативно: речь, музыка, шум шагов, ветер, проезжающие машины — всё синхронизировано с картинкой с первого кадра.

И да — это работает в ГигаЧате. Бесплатно.

Вы описываете сцену текстом или загружаете первый кадр. Добавляете описание звукового ряда. Нейросеть выдаёт готовый ролик в Full HD — до 1920×1080 — с синхронной речью, музыкой и звуками окружения.

Диалоги. Модель генерирует речь, соответствующую движениям губ. Никакого «резинового рта» — липсинк встроен в архитектуру.

Звуковые эффекты. Шум шагов, ветер, движение автомобилей, цифровые эффекты — модель создаёт их в широком диапазоне. Качество — 44 кГц, стандарт стриминговых сервисов, без «шипения» и потери качества.

Музыка. Фоновая музыка генерируется вместе с видео и синхронизируется с происходящим в кадре.

Можно без звука. Если звук не нужен — просто попросите создать видео без него.

Поиск референсов. Если модель не знает, как выглядит объект из запроса — например, новый персонаж поп-культуры, появившийся после обучения, — она ищёт референсы и генерирует точный результат.

Два размера модели. Kandinsky 6.0 Video Lite — 3 миллиарда параметров, запускается на потребительской видеокарте. Kandinsky 6.0 Video Pro — 29 миллиардов параметров, помещается на одну A100-40GB.

Формат вывода фиксирован. 5 секунд, 24 fps, 121 кадр, синхронный звук 44 кГц. Никаких «Fast-вариантов» или режимов удлинения — только выбор размера модели и GPU.

Super-resolution. Отдельная модель апскейлит результат до Full HD. Дистиллированная версия делает это за 2 шага инференса вместо четырёх.

Лицензия MIT. Веса на Hugging Face, открытый код. Можно использовать бесплатно, включая коммерческие проекты.

В ГигаЧате — бесплатно. Выбираете SD, HD или Full HD в зависимости от скорости и качества. Максимальная длительность ролика со звуком — 5 секунд, разработчики планируют увеличить.

Через API. На fal.ai: Kandinsky 6.0 Lite — 0,17 за 5-секундный ролик в 480p. Kandinsky 6.0 Pro — 0,02 за генерацию на RTX 4090.

Где запустить локально. Diffusers, ComfyUI, FastVideo, SGLang, vLLM-Omni. Разработчикам не нужно писать обвязку с нуля.

Почему это важно

Сравните с тем, как это работало раньше. Три сервиса: генерация видео, синтез речи, ручная синхронизация в DAW. Два часа работы, 0,02.

Производство коротких роликов подешевело более чем на 90%. Не «немного быстрее», а на порядок.

И это первая российская нейросеть, которая умеет генерировать видео с синхронным звуком. До неё этого не делал никто на рынке.

Пять секунд. Это не «30 секунд, как у Kling». Для соцсетей и рекламных тизеров хватает. Для сторителлинга — мало. Со временем обещают увеличить, но когда — не говорят.

Сравнения — от Сбера. В техническом отчёте Pro-версия «лучше Kandinsky 5.0 в 71% случаев по всем критериям» и «превосходит Veo 3.1 Fast». Но это vendor-run бенчмарки. Независимых прогонов пока нет.

Pro — для серверов. 29 миллиардов параметров требуют A100. Lite работает на потребительских GPU, но качество ниже. Выбор между «запустить у себя» и «платить за Pro» — это выбор между скоростью и качеством.

Звук — не для музыки. Модель генерирует фоновую музыку и звуки, но это не заменяет Suno или Udio. Для музыкального продакшена — не сюда.

Сбер не сделал «ещё один видеогенератор». Он сделал первую модель, которая слышит то, что видит. И отдал её бесплатно — под MIT, с весами на Hugging Face. Осталось только придумать, что с этим делать.

Kandinsky 6.0 Video - здесь