Kandinsky 6.0 Video——一系列全新的开源模型，可生成带同步声音的视频-低调大师

Kandinsky 6.0 Video——一系列全新的开源模型，可生成带同步声音的视频

2026-10-08 8

旗舰版 Kandinsky 6.0 Video Pro 和紧凑版 Kandinsky 6.0 Video Lite 的代码与权重已根据 MIT 许可证开

Sberbank 推出了 Kandinsky 6.0 Video，这是一系列可生成带同步声音的视频的新模型，并根据 MIT 许可证发布了代码和模型权重：任何人都可以免费使用这些模型，并在此基础上构建自己的产品。该系列包括两个模型——拥有 290 亿参数的旗舰版 Kandinsky 6.0 Video Pro 和拥有 30 亿参数的轻量版 Kandinsky 6.0 Video Lite。两者都能创建包含对话、音乐和环境音的视频：音轨与画面中发生的内容同步，角色的唇部动作与他们的语音相匹配。要获得带配音的成品片段，只需用文字描述一个场景，或上传第一帧并添加对音轨的描述。带声音片段的最大时长为五秒，开发者计划随着时间推移增加这一时长。Kandinsky 已成为俄罗斯首个能够生成音画同步视频的神经网络。

模型能力

Kandinsky 6.0 Video 是一个多模态模型，能够同时“看到”和“听到”它生成的内容。因此，对话、效果音和背景音乐都与画面同步，角色的嘴唇也会随语音同步运动。如果不需要声音，也可以要求神经网络创建无声音视频。

Kandinsky 能够生成范围广泛的自然声音：从语音和数字音效，到脚步声、风声或汽车驶过的声音。该模型生成的声音清晰且细节丰富，没有“嘶嘶声”或质量损失：采样率达到 44 kHz，符合大多数流媒体服务的标准。

这些能力适用于各种各样的任务：例如，可以让家庭照片活起来，为亲人录制带语音或音乐的视频问候，拍摄带有纸张沙沙声、木柴噼啪声或积雪嘎吱声的 ASMR 视频，或者让旧梗图或电影画面动起来。

新模型以 MIT 许可证下的开源形式提供给开发者——他们可以免费将其集成到自己的产品中。模型权重发布在 Hugging Face https://huggingface.co/kandinskylab/Kandinsky-6.0-Pro-5s-Diffusers，代码发布在 GitHub https://github.com/kandinskylab/kandinsky-6/。Kandinsky 6.0 Video 可在流行的神经网络运行与集成工具中开箱即用：Diffusers、ComfyUI、FastVideo、SGLang 和 vLLM-omni。开发者无需从零编写集成：Kandinsky 6.0 Video 可以直接接入现有产品。一份详细的技术报告涵盖了架构、数据、训练流程以及所有并列对比测量结果，可在Hugging Face https://huggingface.co/papers/2610.05608 获取。

产品系列

Kandinsky 6.0 Video Pro 是该系列的旗舰版。凭借 290 亿参数，它提供最高的生成质量：从文本或图像创建带 44 kHz 声音和唇同步的五秒片段，并内置超分辨率模块将画面提升至 Full HD。在人工对比测试中，Pro 模型在所有评估标准上都明显优于其前代 Kandinsky 5.0 Video Pro。它在视觉质量和语音质量上击败了开源模型 LTX 2.5，在开放模型中仅落后于 MiniMax H3。在图像动画任务中，Kandinsky 6.0 Video Pro 在视觉质量、对源图像的遵循度以及镜头运动方面超越了领先的闭源模型 Veo 3.1 Fast。

Kandinsky 6.0 Video Lite 是拥有 30 亿参数的轻量版。它共享旗舰版的架构和能力——同样带同步声音、唇同步以及可放大至 Full HD 的五秒片段——但经过适配，可在消费级 NVIDIA 显卡上运行，从 RTX 5060 Ti 到 RTX 5090，并带有适用于 16、24 和 32 GB 显存的现成预设。得益于块卸载技术，即通过 GPU 分批流式加载模型权重，两个模型甚至可以在家用电脑上启动。

视频质量

两个模型都能生成最高达 Full HD 分辨率的片段：基础生成以 SD 运行，内置超分辨率模块将图像提升至 HD 或 Full HD，从而在速度与细节之间取得平衡。Kandinsky 6.0 Video 能更准确地传达现实世界的物理规律。片段中人物、动物和物体的运动看起来更自然，整个场景也更逼真。这在快速运动或镜头角度变化的动态片段中尤为明显。

模型是如何训练的

Kandinsky 6.0 Video 由两个相互连接的模块组成，分别负责生成视频和声音。音频模块首先在 4000 万条音轨上从零开始训练，然后与视频模块在 700 万个配对的音视频片段上进行联合训练。为了训练，团队只选择了声音干净、高质量的片段，以及包含说话人物特写镜头的视频，以便更精确地同步语音和面部表情。强化学习后训练使 Pro 模型生成语音的词错误率降低了 47%。

Kandinsky 的上一版本曾在 arena.ai 的文本生成视频类别中，在开放模型里保持第一名超过六个月。

2026年勒索病毒影响力排名-源自舍末无勒团队解密恢复成功案例统计

服务器突然无法访问，ERP账套打不开，数据库、合同和备份文件被添加陌生后缀，业务部门陆续反馈系统异常——一次勒索病毒攻击，可能让企业多年积累的数据与日常经营同时陷入危机。 2026年，企业需要关注哪些勒索病毒？国内常见的Weax、flex、sorry、ths，与国际活跃的Qilin、The Gentlemen究竟有什么区别？舍末无勒围绕近期公开威胁情报，整理影响力排名与处置重点，为企业识别风险、评估恢复路径提供参考。舍末无勒专家团队结合近期处理的客户案例、解密恢复成果及公开威胁情报，总结了2026年以来近期活跃的勒索病毒情况。本文以实际工作中遇到的案例为出发点，结合公...

2026-10-08

8

财务人员无法打开账套，ERP提示数据库连接失败，服务器中的业务文件和备份突然多出“.ths”后缀，多个目录同时出现“hello.txt”——这些异常可能意味着企业已经遭遇Sorry勒索病毒新变种攻击。舍末无勒团队结合近期公开威胁情报，梳理了Sorry新变种.ths的感染表现与处置重点。公开报告显示，首波集中感染发生于2026年9月20日夜间至21日，反馈规模达数千例，企业数据库、业务文件和备份面临风险。[1][2] 面对这一轮攻击，企业需要尽快完成隔离、样本鉴定和恢复评估。舍末无勒围绕ths勒索病毒恢复、数据库修复与业务...

2026-10-08

8

资源下载

更多资源

腾讯云软件源

为解决软件依赖安装时官方源访问速度慢的问题，腾讯云为一些软件搭建了缓存服务。您可以通过使用腾讯云软件源站来提升依赖包的安装速度。为了方便用户自由搭建服务架构，目前腾讯云软件源站支持公网访问和内网访问。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。