Kandinsky 6.0 Video: Сбер выпустил нейросеть для видео со звуком

Что значит «видео со звуком» и чем это отличается от обычной генерации

Нейросеть для видео получает описание сцены и рисует кадры. Многие модели делают «немое кино»: звук приходится добавлять отдельно, то есть искать озвучку, музыку и подгонять по времени. Видео со звуком означает, что одна модель делает картинку и звук сразу и держит их вместе.

Для этого в англоязычных работах придумали сокращения: T2AV (text-to-audio-video, ролик из текста) и I2AV (image-to-audio-video, ролик из первого кадра и описания).

Звук добавить сложнее, чем кажется: он должен совпасть с картинкой по времени, и авторы отчёта называют такую задачу заметно более трудной, чем картинка или звук по отдельности. Если человек говорит, губы обязаны двигаться в такт словам (это называют lip-sync, синхронизацией губ). Если хлопает дверь, звук должен прозвучать в момент хлопка.

Несколько терминов, которые встретятся дальше:

• Параметры (3 млрд, 29 млрд): грубая мера размера нейросети. Больше параметров обычно значит лучше качество, но нужна более мощная видеокарта.
• SD, HD, Full HD: разрешение картинки. Full HD это 1920 на 1080 точек.
• Super-resolution (суперразрешение): отдельная нейросеть, которая увеличивает готовый ролик. У Kandinsky 6.0 базовая генерация идёт в SD (например, 864 на 480), а Full HD получается этим увеличением.
• Веса и лицензия MIT: веса это файлы обученной нейросети, их можно скачать и запустить у себя. MIT одна из самых свободных лицензий: можно использовать в том числе в коммерческих продуктах.

Что произошло

6 октября 2026 года Сбер представил Kandinsky 6.0 Video. По словам пресс-службы, это первая российская нейросеть, которая создаёт ролики с синхронным звуком, и она доступна разработчикам в открытом виде.

В тот же день вышел технический отчёт «Kandinsky 6.0 Video» (препринт на arXiv от 4 октября, рецензирования он не проходил), а на Hugging Face обновились репозитории модели.

В ГигаЧате пользователи, как пишет Сбер, могут создавать видео с речью, музыкой и звуками окружения бесплатно. Вы описываете сцену текстом или загружаете первый кадр и добавляете описание звука. Качество выбирают в окне ввода: SD быстрее, HD и Full HD чётче. Конкретных лимитов на число роликов в пресс-релизе нет, и мы аккаунт в ГигаЧате не проверяли.

Для разработчиков Сбер опубликовал код и веса под лицензией MIT. Мы проверили Hugging Face: версии Lite, Lite distill, Pro distill, Pro pretrain и увеличитель разрешения не требуют входа, а основной репозиторий Pro на 29 млрд параметров (около 90 ГБ файлов) помечен как закрытый с автоматическим доступом: нужно войти на Hugging Face и принять условия.

Сбер заявляет, что модель появится и в инструментах FAL, Diffusers, FastVideo, ComfyUI, SGLang и vLLM-omni (это сервисы и программы, в которых нейросети запускают без своей сборки с нуля).

Модели дополняют прежнюю картиночную линейку Кандинского: новый Video говорит и озвучивает, но смотрит на мир в короткой «нарезке» из 5 секунд.

Что внутри: Lite и Pro

Данные о версии 5.0 взяты с сайта Kandinsky Lab, о 6.0 из карточки модели и отчёта. Главное, что стоит заметить: ролик стал вдвое короче. Для рекламы и соцсетей 5 секунд хватает на один «крючок», но не на рассказ.

Для речи авторы использовали русские и английские описания: подсказки к моделям писали на обоих языках, а в обучение добавили набор с «российским культурным кодом» из 1,2 млн изображений и 530 тысяч видеосцен. Отдельных замеров качества именно русской речи отчёт не приводит.

Что показывает отчёт: наш пересчёт «71%»

Сбер в пресс-релизе заявляет, что новая модель оказалась лучше Kandinsky 5.0 «в среднем в 71% случаев по всем критериям». В отчёте такой цифры в тексте нет, результаты показаны на графиках: люди смотрят два ролика по одному запросу и выбирают лучший или объявляют ничью. Мы переписали значения с графика (рисунок 15, страница 45) и посчитали сами.

Вывод простой: 71% нельзя получить ни из прямых побед (42,5%), ни из «не хуже» (86%). Ближе всего доля побед среди сравнений без ничьих: 72,6% в режиме «из текста» и 74,7% в целом. Мы не знаем, какой именно способ использовал Сбер. Это не обвинение: цифра по сути верна, но читателю надо понимать, что почти в половине сравнений разницы люди не увидели, а в 14% предпочли старую модель.

Самые сильные улучшения по картинке: общее качество в режиме «из первого кадра» (64% побед против 11%) и меньшее число артефактов (49% против 18–19%). Реализм движения чаще всего оценён как ничья (59% и 72%), хотя новая модель и здесь выигрывает чаще, чем проигрывает: 28% против 13% и 21% против 7%.

Как модель выглядит рядом с сильнейшими

В отчёте люди сравнивали Kandinsky 6.0 Pro с пятью другими моделями. Мы пересказываем вывод авторов без цифр с графиков:

Авторы сами пишут в заключении (в нашем переводе): «остаётся разрыв с сильнейшими закрытыми системами по качеству картинки и общему качеству звука». Среди открытых моделей отчёт сравнивает её только с LTX 2.5, и там она впереди по картинке и речи; лучшей среди всех её отчёт не называет.

Отдельный бенчмарк VABench для видео со звуком дал такую картину по сравнению с открытой LTX 2.5.

Рассинхрон меньше, губы точнее, но по ошибкам в проговоренном тексте Pro хуже LTX 2.5. Для роликов, где герой говорит длинную фразу, это стоит проверять глазами и ушами. Авторы пишут, что на отдельном наборе из 64 запросов доля ошибок речи у Pro после обучения с подкреплением упала с 0,235 до 0,124, то есть на 47%.

Сколько стоит запустить у себя

В отчёте есть главное, чего не хватает пресс-релизам: время генерации на разных видеокартах. Мы взяли время одного 5-секундного клипа и перевели в рубли по ценам аренды сервера Selectel на 6 октября 2026 года: 290,15 ₽ в час за сервер с видеокартой Nvidia RTX PRO 6000 (профессиональная карта) на 96 ГБ памяти.

Сто роликов Lite в Full HD обойдутся в 3 119 ₽ и займут около 11 часов, сто роликов Pro в Full HD в 6 166 ₽ и около 21 часа. Расчёт учитывает только время генерации: загрузка весов, сборка файла и простой сервера в него не входят.

На домашних видеокартах модель тоже запускается, но медленно. По таблице отчёта Lite в Full HD на игровой карте Nvidia RTX 4090 занимает 9,6 минуты, а Pro 20,8 минуты; на RTX 5090 6,8 и 14,2 минуты; на RTX 5060 Ti на 16 ГБ Lite Full HD почти полчаса.

Для карт на 16, 24 и 32 ГБ авторы сделали режим, где в память видеокарты помещаются лишь 2 блока модели, а остальное подгружается из оперативной памяти. Пик памяти при этом 21,7 ГиБ вместо 72,8 ГиБ у Pro в SD, но Pro на 16 ГБ требует около 58 ГиБ оперативной памяти компьютера.

Проще говоря: модель можно запустить дома, но ждать придётся минуты.

Для сравнения вы платите 0 ₽ в ГигаЧате, пока Сбер не поменял условия. Свой запуск имеет смысл, если нельзя отправлять материалы наружу, нужен большой поток роликов или вы настраиваете модель под свою задачу.

Что это значит для бизнеса

• Пять секунд хватает для одного кадра рекламы. Оживить фото товара, показать продукт с шумом кофемашины, сделать «шапку» для сторис. Рассказ из нескольких сцен придётся склеивать из роликов.
• Русская речь заявлена, но не измерена отдельно. Сбер пишет про речь, музыку и звуки окружения. Отчёт не даёт замеров качества именно русского произношения, поэтому проверяйте фразы на слух до публикации.
• Нельзя изображать реальных людей без согласия. Авторы прямо пишут, что модель не предназначена для имитации голоса и внешности людей в обманных целях, и просят помечать такие ролики как созданные нейросетью. Требования к раскрытию ИИ-контента в вашей юрисдикции нужно проверить самим.
• Открытая лицензия не отменяет проверки прав на сам ролик. MIT относится к весам и коду. Что вы выпускаете в рекламе, остаётся вашей ответственностью.
• Это новый выпуск. По картинке модель уступает сильнейшим закрытым системам, и для массовой рекламы лучше сначала сделать пробную партию и показать её тем, кто будет смотреть ролики.

Что делать сейчас

1. Попробуйте в ГигаЧате. Опишите одну сцену и одну реплику, выберите HD и посмотрите результат на слух и на глаз.
2. Проверьте русскую речь. Скажите модели короткую фразу из 4–10 слов и послушайте, нет ли съеденных звуков.
3. Не обещайте клиенту «видео на минуту». Ролик длится 5 секунд, нужен монтаж.
4. Если нужен запуск у себя, начните с Lite: по отчёту он работает на видеокартах от 16 ГБ, а клип в аренде стоит от 20 до 31 ₽.
5. Сравните с закрытыми сервисами по своей задаче: по отчёту Veo 3.1 Fast лучше следует описанию и звуку, подробности об этом сервисе смотрите в обзоре Google Veo, а общий выбор поможет сделать обзор нейросетей для видео.

Полезные ссылки по теме: GigaChat: возможности и цены и открытые нейросети и чем они отличаются от закрытых.

Мы не запускали саму модель: у нас нет доступа к ГигаЧату с аккаунтом для проверки и видеокарты для локального запуска, поэтому качество роликов мы по результатам не оцениваем. Скорость и цену мы взяли из таблицы отчёта авторов и цен Selectel.

Наш прогон промпта

Промпт ниже мы прогнали на трёх условных бизнесах: кофейня у офисов, столярная мастерская, доставка продуктов. Прогон шёл на модели Claude Sonnet 5.5 через шлюз нашей платформы. Видео мы не создавали, поэтому проверили только то, что можно проверить по тексту: выполняет ли ответ правила из самого промпта.

Так выглядит часть реального ответа для кофейни (мы сократили описание места, света и фона, остальное слово в слово):

> Запрос, картинка: cinematic shot: one continuous 5-second take, no cuts, with a slow smooth push-in from a medium shot to a medium close-up at eye level. A woman barista of about 28, with her dark brown hair in a low bun, wears a beige knit sweater and a plain dark green apron. She looks straight into the camera as if at a regular customer and speaks with a warm smile; she makes no other movements.

> Тот же фрагмент по-русски: Кинематографичный кадр: один непрерывный дубль на 5 секунд без склеек, плавный наезд от среднего плана к крупному на уровне глаз. Бариста, женщина около 28 лет, с тёмно-русыми волосами, собранными в низкий пучок, в бежевом вязаном свитере и простом тёмно-зелёном фартуке. Она смотрит прямо в камеру, как на постоянного гостя, и говорит с тёплой улыбкой; других движений у неё нет.

> Запрос, звук: Audio: 1) the barista's voice, a female voice about 28 years old, warm and calm, at a medium pace, saying in Russian: "Доброе утро! Вам как обычно?"; 2) a soft hiss of steam from the espresso machine in the background; 3) quiet soft acoustic guitar music, noticeably quieter than the voice. No text, prices, signage or logos, and no recognizable faces of real people.

Ниже в ответе шёл список «Что проверить после генерации»: фраза звучит целиком и по-русски, на стаканах и фасаде нет случайных букв, гитара тише голоса.

Версий было три. В первой, на 1 300 знаков, в кофейне героиня и говорила, и тянулась за стаканом: два действия на 5 секунд. А «не больше трёх звуков» держалось на том, что два шума записывались в один пункт.

Вторая версия, около 2 000 знаков, оставила обе проблемы, а в мастерской русский перевод разошёлся с английским запросом: в английском «middle-aged» (средних лет), в русском «пожилого мастера». Тогда мы добавили три правила: одно действие на героя, один источник звука на пункт и сверка перевода с оригиналом. В новости стоит третья версия, результат ниже.

Формальные правила третья версия выполнила во всех трёх ответах. Остаётся одно замечание: в доставке «blank mailboxes» (почтовые ящики без надписей) переведено как «пустые почтовые ящики», и смысл про отсутствие надписей потерялся. Качество готового ролика проверяйте в ГигаЧате: мы проверили запрос, а не видео.