Open-source видеоНовинки ИИ

Kandinsky 6.0 Video: открытая модель, чтобы снять клип у себя без подписки

Редакция AI Music · 7 ноября 2026

6 октября 2026 года команда Kandinsky Lab открыла код и веса Kandinsky 6.0 Video — семейства моделей, которые создают короткое видео сразу со звуком. Лицензия MIT, запускать можно на собственной видеокарте. Разбираем, что именно вышло, чего ждать от пятисекундных клипов и как встроить такую модель в работу над клипом без платной подписки.

Что вышло и когда

По описанию в репозитории, 6 октября 2026 года были открыты Kandinsky 6.0 и модуль повышения разрешения Kandinsky 6.0 Video Super-Resolution. В тот же день заявлена поддержка в Diffusers, ComfyUI, vLLM-Omni, SGLang и FastVideo. Позже, 25 октября, в «родной» конвейер добавили генерацию по первому и последнему кадру, а также вход в виде аудиофайла и видеофайла.

Основные факты из репозитория:

две модели: Lite на 3 миллиарда параметров и Pro на 29 миллиардов;
режимы «текст → аудио и видео» и «изображение → аудио и видео»;
клип длится пять секунд, звук 44 кГц, заявлена синхронизация губ с речью;
есть «дистиллированные» чекпоинты на 10 шагов, остальные работают на 50 шагах;
отдельный плагин повышает картинку до Full HD (1920×1080);
лицензия — MIT.

Все цифры выше — заявления авторов. Мы модель не запускали и качество картинки не оцениваем.

Почему это важно для автора клипа

Раньше «видео из текста со звуком» ассоциировалось с закрытыми сервисами и платой за секунды. Здесь веса лежат в открытом доступе под разрешающей лицензией: скачали, запустили у себя, а результат не привязан к подписке. Для музыканта это возможность делать черновые сцены и вставки для клипа, не считая каждую попытку в деньгах — платите только за электричество и железо.

Но «без подписки» не значит «без затрат». Нужна видеокарта NVIDIA, время на настройку и терпение: модель делает пятисекундные фрагменты, а целый клип — это десятки таких кусков, которые нужно связать по сюжету. О том, как заранее спланировать сцены, мы писали в статье «Как сделать раскадровку клипа».

Какая нужна видеокарта и сколько ждать

Минимальный объём памяти в описании не назван. Авторы приводят замеры на пяти картах: RTX 4090 (24 ГБ), RTX 5060 Ti (16 ГБ), RTX 5090 (32 ГБ), A100 (80 ГБ) и H100 (80 ГБ). Способ загрузки зависит от карты: на RTX 4090 Lite частично выгружает модули из памяти, а Pro — блоки; на RTX 5060 Ti текстовый кодировщик Qwen запускается в сжатом формате NF4.

Примеры времени работы на пятисекундный клип (без загрузки весов и кодирования MP4):

Lite Distill в стандартном разрешении: 31,2 секунды на H100 и 68,0 секунды на RTX 4090;
Pro в Full HD: 399,7 секунды на H100 и 1096,7 секунды на RTX 4090.

Практический вывод: на домашней карте разумно начинать с Lite Distill — черновик за минуту-две. Pro в Full HD на 4090 — это около восемнадцати минут на пять секунд, поэтому его оставляют для финальных сцен. Если карты нет, можно воспользоваться Hugging Face Space с Pro Distill, который упомянут в репозитории; нагрузка и очереди там вам неподконтрольны.

Как запустить

В репозитории описан такой путь: установить инструменты uv и just, клонировать репозиторий, выполнить just setup, скачать веса командой just download pro-distill и запустить just generate с текстом запроса. Для тех, кто работает в графическом интерфейсе, заявлен официальный узел ComfyUI и сообщественные узлы; для скриптов — конвейер в Diffusers.

Сначала проверьте Lite Distill на коротком запросе — убедитесь, что карта справляется и звук создаётся.
Зафиксируйте запрос, который понравился, и только потом пробуйте Pro.
Запишите, сколько секунд занял каждый кусок: так будет ясно, какой хватит бюджет времени на весь клип.

Запросы для сцены клипа

Модель принимает описание сцены вместе со звуком, поэтому в запросе полезно описать и картинку, и то, что слышно. Начинайте с одной простой сцены: один герой, один фон, одно действие.

Крупный план вымышленной вокалистки двадцати пяти лет у окна ночного города, неоновый голубой свет на лице, камера медленно приближается. Она тихо поёт две строки без слов песни, на фоне дождь и далёкие машины. Кинематографичный свет, тёмно-синяя палитра, без текста и логотипов.

Общий план пустой сцены концертного зала перед выступлением, прожекторы медленно загораются один за другим, лёгкий дым, шаги и гул зала. Статичная камера, широкий кадр, голубые и фиолетовые лучи.

Герой должен быть вымышленным или вашим собственным образом: не просите внешности реальных людей.

Как собрать из пятисекундных кусков клип

Раскадруйте песню на сцены по куплетам и припевам и для каждой продумайте кусок до пяти секунд. Заявленная генерация по первому и последнему кадру пригодится для стыков: конец одного куска может стать началом другого. Ту же идею мы разбирали в статье про оживление фото: статичный кадр служит точкой опоры для движения.

Помните, что звук модель создаёт свой. Готовый трек лучше накладывать при монтаже, а встроенный звук использовать как рабочий слой или фоновую атмосферу. Подаётся ли ваша песня на вход напрямую, в описании сказано лишь про «аудиофайл как вход» — как именно он влияет на результат, мы не проверяли.

Ограничения и осторожность

Длительность. Пять секунд на один запуск; целое видео требует монтажа.
Железо. Нужна видеокарта NVIDIA; на слабых картах без выгрузки в память модель не поместится.
Качество не проверено. Мы не сравнивали результат с закрытыми сервисами, а сравнения самих авторов — их собственные.
Лицензия сопутствующих частей. MIT указана для репозитория; лицензию отдельного модуля Super-Resolution и сторонних компонентов проверяйте отдельно.
Права и этика. Не оживляйте реальных людей без согласия и не выдавайте результат за настоящую съёмку.

Подключение Kandinsky к AI Music не обещается. Если вы хотите собрать клип без самостоятельной настройки, смотрите блок ниже.

Вопросы и ответы

Это бесплатно?

Код и веса распространяются по лицензии MIT, то есть без платы за использование. Затраты — на видеокарту, электричество и время.

Сколько длится один клип?

По описанию — пять секунд на запуск, со звуком 44 кГц.

Чем Lite отличается от Pro?

Lite — 3 миллиарда параметров и быстрее; Pro — 29 миллиардов и заметно медленнее, особенно в Full HD.

Можно ли запустить без видеокарты NVIDIA?

Репозиторий требует видеокарту NVIDIA. Для других вариантов смотрите документацию.

Есть ли это в AI Music?

Подключение не подтверждено.

Источники

Источники проверены 7 ноября 2026 года. Данные о возможностях — заявления разработчика.