Kandinsky 6.0 Video: нейросеть Сбера научилась делать видео со звуком

Коротко. 6 октября 2026 года Сбер выпустил Kandinsky 6.0 Video — модель, которая генерирует короткие ролики сразу со звуком: речью, музыкой и шумами, синхронными с картинкой. Это первая российская нейросеть такого класса. Попробовать её можно бесплатно в ГигаЧате, а разработчики могут скачать веса под лицензией MIT. Ниже — что модель умеет, где её ограничения и как ею пользоваться.

Что случилось

Kandinsky Lab, команда Сбера, которая делает генераторы картинок и видео, выпустила шестое поколение видеомодели. Главное отличие от Kandinsky 5.0 — звук. Раньше ролик получался немым, и озвучку приходилось собирать отдельно. Теперь видео и аудио генерируются в одном проходе: у модели два связанных потока, которые обмениваются данными, поэтому шаги попадают в ритм походки, а губы персонажа двигаются под реплику.

Семейство состоит из двух моделей: Lite на 3 млрд параметров и Pro примерно на 30 млрд. По данным разработчиков, Pro в среднем на 71% лучше Kandinsky 5.0 по всем критериям сравнения и обходит LTX 2.5 в задаче оживления картинки. Это внутренние замеры Сбера, независимых тестов пока нет. Подробности релиза есть на Хабре и в Hi-Tech Mail.

Что умеет Kandinsky 6.0 Video

• Видео по тексту. Описываете сцену словами, модель снимает ролик.
• Оживление кадра. Загружаете первый кадр, например фото или готовую картинку, и описываете, что должно произойти дальше.
• Звук по описанию. Можно попросить диалог, музыку, шаги, ветер, шум проезжающей машины. Частота дискретизации 44 кГц — как у музыки на стримингах.
• Липсинк. Движения губ подстраиваются под речь. Звук обучали на 20 с лишним миллионах роликов с чистым аудио и отдельно на крупных планах говорящих лиц.
• Качество на выбор. В ГигаЧате есть SD, HD и Full HD: SD быстрее, HD и Full HD чётче. Full HD получается с помощью отдельной модели повышения разрешения.
• Звук можно выключить. Если нужна только картинка, например под свою музыку.

Ограничения

Главное ограничение — длительность: пока не больше 5 секунд со звуком. Этого хватает на сторис, короткий клип, живую обложку или поздравление, но не на ролик с сюжетом. Сбер обещает увеличить длительность. Второй момент — заявленные преимущества пока проверены только самим Сбером. Как модель справится со сложными движениями, несколькими персонажами и русской речью на длинных фразах, станет понятно после независимых тестов.

Как попробовать из России

Здесь всё просто: модель российская, и VPN не нужен.

1. Откройте ГигаЧат и найдите генерацию видео.
2. В окне ввода выберите качество: SD для черновика, HD или Full HD для финала.
3. Опишите сцену, а отдельно — звук. Например: «Девушка в жёлтом плаще идёт по мокрой улице вечером, оборачивается и говорит: „Ты опоздал“. Звук: дождь, шаги по лужам, далёкий трамвай».
4. Если нужен конкретный персонаж или стиль, сначала загрузите первый кадр.

По заявлению Сбера, видео со звуком в ГигаЧате доступно бесплатно. Если вы раньше пользовались Кандинским только для картинок, посмотрите наш разбор как рисовать в Кандинском на русском: принципы промптов те же.

Разработчикам доступны веса на Hugging Face, интеграция с Diffusers и ускоренные версии, которые, по данным Сбера, работают на видеокартах с 16 ГБ памяти. Лицензия MIT разрешает встраивать модель в коммерческие продукты.

А что в Умке

Честно: Kandinsky 6.0 Video в Умке нет. Если вам нужен ролик дольше пяти секунд, другой стиль или сравнение нескольких моделей, в Умке собраны 24 видеомодели, среди них Kling, Hailuo, Seedance, Wan и Veo. Видео со звуком из них генерируют Veo 3 Fast и Veo 3.1, подробнее — в статье про Veo 3. Ещё несколько бесплатных вариантов собраны в подборке нейросети для видео бесплатно.

Умка пригодится и тем, кто остаётся в ГигаЧате: сценарий и подробный промпт для ролика удобно писать умной текстовой моделью. Ответ стоит около 33 токенов, минимальный пакет — 290 ₽ за 725 токенов, то есть примерно 13 ₽ за ответ и около 20 промптов на пакет.

Вывод

Kandinsky 6.0 Video закрывает главный пробел российских видеомоделей: ролик сразу получается со звуком и липсинком, причём бесплатно и без VPN. Пять секунд — пока потолок, а заявленное превосходство над конкурентами ещё предстоит проверить. Но для сторис, живых открыток и экспериментов это самый доступный способ получить «говорящее» видео на русском уже сегодня.

Частые вопросы