Kandinsky 6.0 erzeugt kurze KI-Videos samt synchronem Ton und lässt sich mit öffentlich verfügbaren Gewichten selbst betreiben. Kandinsky Lab hat die Modellfamilie am 6. Oktober 2026 veröffentlicht. Der technische Bericht erschien bereits am 4. Oktober; das offizielle Repository dokumentiert den anschließenden Release und die verfügbaren Integrationen.
Was Kandinsky 6.0 tatsächlich erzeugt
Die Familie besteht aus Lite mit 3 Milliarden und Pro mit 29 Milliarden Parametern. Beide Varianten erzeugen fünfsekündige Clips mit synchronisiertem Audio bei 44 kHz, einschließlich Lippensynchronisation. Als Ausgangspunkt dienen entweder eine Textbeschreibung oder ein Referenzbild zusammen mit Text. Bildbewegung und Ton sind damit Bestandteile desselben Generierungsprozesses, nicht bloß ein stummes Video mit nachträglich ausgewählter Musik.
Technisch verbindet Kandinsky einen vortrainierten Videostrang mit einem Audiostrang über wechselseitige Aufmerksamkeit. Diese Kopplung soll zeitliche und semantische Übereinstimmung herstellen, etwa zwischen sichtbarer Handlung und Geräusch. Das Verfahren beschreibt der Bericht zur CrossDiT-Architektur.
Full HD ist ein zusätzlicher Verarbeitungsschritt. Ein separates Super-Resolution-Modell hebt die Ausgabe auf 1920 × 1080 Pixel an. Wer diese Auflösung benötigt, muss den Upscaling-Schritt einplanen; sie ist nicht mit der nativen Auflösung des Basisgenerators gleichzusetzen. Die Modellkarte trennt Generierung und Super-Resolution ausdrücklich.
Die Originalcollage zeigt unter anderem Musiker, Fantasieszenen und einen markierten Full-HD-Vergleich. Sie veranschaulicht das Motivspektrum der veröffentlichten Beispiele. Ob Geräusche passen oder Lippenbewegungen überzeugend synchronisiert sind, lässt sich aus diesen Standbildern dagegen nicht beurteilen.
Download, Lizenz und Einbindung
Der Quellcode ist im GitHub-Repository öffentlich verfügbar. Der Bericht und die Pro-Diffusers-Modellkarte nennen die MIT-Lizenz für Code beziehungsweise Checkpoints. Für die konkrete Integration stehen unter anderem Diffusers und ComfyUI bereit; im ComfyUI Manager sind die Erweiterungen kandinsky6 und kandinsky6-sr dokumentiert.
Ein tatsächlich verfügbares Downloadziel ist Kandinsky-6.0-Pro-distill-5s-Diffusers. Dessen zehn Safetensors-Gewichtsdateien umfassen zusammen rund 80,6 GB; allein die Transformer-Datei misst rund 60,3 GB. Das ist ein Speicherplatzbedarf für Gewichte, keine Aussage über den nötigen Grafikspeicher.
Die distillierte Pro-Version arbeitet laut Modellkarte mit zehn Sampling-Schritten und Guidance 1,0. Einstellungen der nicht distillierten Varianten lassen sich nicht ungeprüft übertragen. Ebenso wichtig: Ein Laufzeitwert für den normalen Pro-Checkpoint ist kein Benchmark für Pro Distill.
RTX 4090: lauffähig heißt nicht Echtzeit
Das Team veröffentlicht Hardwaremessungen im Repository. Auf einer RTX 4090 benötigt das nicht distillierte Modell für einen fünfsekündigen SD-Clip laut diesen Angaben:
- Lite: 437 Sekunden.
- Pro: 936 Sekunden.
Gemessen wurde nach dem Warm-up; Laden der Gewichte und MP4-Encoding sind ausgeschlossen. Consumer-Grafikkarten nutzen Block-Offloading, also die Verlagerung von Modellteilen zwischen CPU und GPU. Deshalb gehören Arbeitsspeicher und Datentransfers zur Hardwareplanung. Eine belastbare minimale RAM-Ausstattung lässt sich aus der Tabelle nicht ableiten.
Diese Zahlen machen die praktische Grenze deutlich: Lokale Generierung ist dokumentiert, aber ein interaktiver Echtzeit-Workflow ist damit nicht belegt. Die Werte stammen von den Entwicklern, nicht aus einem eigenen KTU-Benchmark.
Wofür sich der Einstieg lohnt
Ein naheliegender Einsatz sind kurze Szenenentwürfe: eine Bewegung plus passend beschriebenes Umgebungsgeräusch, ein animiertes Referenzbild oder ein einzelner Shot für ein Storyboard. Die fünfsekündige Ausgabe sollte dabei als kurze Sequenz geplant werden, nicht als fertiger längerer Film.
Für einen ersten Vergleich empfiehlt sich eine feste Szene mit eindeutig hörbarer Handlung. Beispielsweise lässt sich prüfen, ob sichtbares Trommeln zeitlich zum Ton passt. Kamera, Bewegung und gewünschte Geräusche sollten im Prompt getrennt verständlich beschrieben sein; danach sind Bild und Audiospur gemeinsam zu beurteilen. Full-HD-Upscaling kommt erst hinzu, wenn der Basisclip überzeugt.
Der relevante Fortschritt ist der offene Zugang zu gemeinsamer Audio-Video-Generierung. Die Entscheidung zwischen Lite, Pro und distillierten Varianten bleibt eine Abwägung aus Ausgabequalität, Hardware und Wartezeit. Der veröffentlichte Offloading-Benchmark liefert dafür eine konkretere Orientierung als ein pauschales Versprechen, das Modell laufe problemlos auf jeder Consumer-GPU.
