Kandinsky 6

Kandinsky 6.0 Video är en familj av diffusionsmodeller som genererar video och ljud tillsammans, så att ljudet hör ihop med bilden. Man kan utgå från en text eller från en bild plus text. Klippen är fem sekunder långa med ljud i 44 kHz, och om någon pratar i klippet rör sig munnen i takt med talet. I prompten markerar man vad som ska sägas.

Familjen har två storlekar. Lite har 3 miljarder parametrar och är byggd för snabbhet, medan Pro har 29 miljarder och enligt Kandinsky Lab ger bättre rörelser och mer exakt styrning av kameran. Båda finns också i destillerade varianter som behöver 10 steg i stället för 50 och därför går flera gånger snabbare. Grundupplösningen är 480×864, och en separat uppskalningsmodell lyfter klippen till Full HD (1920×1080). Kandinsky Lab lyfter också fram att modellen förstår ryska och ryska kulturella begrepp.

Modellerna släpptes öppet den 6 oktober 2026 under MIT-licens och finns på Hugging Face och GitHub, med stöd i Diffusers, ComfyUI, vLLM-Omni, SGLang och FastVideo. Det krävs ett NVIDIA-grafikkort. Enligt Kandinsky Lab tar ett femsekundersklipp med ljud från Lite Distill cirka 31 sekunder på ett H100-kort och cirka 68 sekunder på ett RTX 4090, medan den största varianten, Pro i Full HD, tar runt 400 sekunder på H100. Det går också att prova Pro Distill i en demo på Hugging Face.