ResearchMan← Technology
Kandinsky 6.0 Video
Tool商用OK (MIT)#GenVideo#Audio/Music

Kandinsky 6.0 Video

Kandinsky Lab/2026-10

Overview

映像と44kHzの音声(リップシンク込み)を同時に作る動画生成モデルが、コード・重みともMITで公開された。3B(Lite)と29B(Pro)の2種類で、ComfyUIノードとDiffusers対応も用意されている。

技術のポイント

テキストや1枚の画像から、5秒の映像と音声(セリフの口の動きも合わせたもの)を一度に作れるオープンな動画生成モデルです。3B(30億パラメータ)の軽量版Liteと、29B(290億)の高品質版Proがあり、追加の超解像モデルでフルHD(1920×1080)まで引き上げられます。コードも重みもMITライセンスなので、自分のGPUで動かして商用案件に使えます。広告やMVの制作では、絵コンテ段階の動くラフに声やBGMが付いた状態で出せるため、クライアント提案の説得力が上がります。口が合ったキャラクターのひと言CMや、SNS向けの短尺素材の量産にも向きます。ロシア語の理解に強みがある点も、多言語展開の素材づくりで特徴になります。ComfyUIのレジストリにノードがあるので、既存のワークフローに組み込めます。

技術の詳細

仕組み:Kandinsky 6.0 Videoは、ノイズから少しずつ絵を描き出す拡散モデルの一種です。映像と音声を別々に作らず、1つのモデルで同時に作ります。このため、口の動きと声のタイミングが自然に合います。入力はテキストのみ(T2AV)か、画像+テキスト(I2AV)の2通りです。Liteは864×480、Proは高解像度の出力が可能で、別リポジトリの超解像モデルを後付けするとフルHDになります。 従来との違い:これまでオープンな動画モデルは、映像だけを作り、音声は別ツールで足す構成が主流でした。本モデルは音声とリップシンクを最初から含み、しかも重みまでMITで公開されています。Diffusers、ComfyUI、vLLM-Omni、SGLang、FastVideoの各環境で動かせるため、導入先を選びやすいのも特徴です。READMEの実測では、5秒HDクリップの生成時間がRTX 5090でLiteが約296秒、Proが約638秒、H100でProが約292秒でした。 使うには:NVIDIA GPUとPython 3.13または3.14、パッケージ管理ツールのuvとjustが必要です。初回実行時にモデルの重みが自動でダウンロードされます。Proは大きなGPUを前提にしており、RTX 4090ではProが約1194秒かかります。手元に環境がなければ、Hugging Face Spaceで蒸留版(少ない手順で生成する高速版)を無料で試せます。費用はGPU代のみで、ライセンス料はかかりません。

License

READMEにコード・重みともMIT License適用と記載。商用利用可。

Sources

Related Works

  • Wan2.2

    Apache 2.0で公開されたオープンな動画生成モデル。映像のみで音声は含まない。

  • LTX-2

    Lightricksが公開した、音声付き動画を生成するオープンモデル。

  • minimax-h3-mlx

    33Bの映像+音声同時生成モデルMiniMax-H3をApple Silicon向けに移植したもの。