Kandinsky Avatar 1.0 от Сбера: что это и как попробовать

Коротко. 3 ноября 2026 года Сбер открыл код и веса нейросети Kandinsky Avatar 1.0. Она делает видео с говорящим человеком по фото, аудиозаписи и короткому текстовому описанию. Модель распространяется по лицензии MIT, но это инструмент для разработчиков: готового сервиса для обычных пользователей пока нет. Ниже — что она умеет, что известно о качестве и где её можно попробовать.

Что случилось

Сбер выложил семейство моделей для генерации видеоаватаров со звуком. Код и веса доступны на GitHub, GitVerse и Hugging Face. Лицензия MIT разрешает использовать их и в коммерческих продуктах. Подробнее о релизе написано в новости на Хабре. Сбер также сообщил, что планирует добавить модель в свои сервисы, но сроков в найденных материалах нет.

Что умеет Kandinsky Avatar

На вход модель получает изображение человека, аудиозапись и короткое описание сцены. На выходе — видео длиной до минуты с частотой 24 кадра в секунду. Модель генерирует синхронизацию губ, мимику, движения головы и рук. Эмоцию можно задать текстом.

Важное ограничение: модель не синтезирует и не клонирует голос. Речь в ролике — та, которую вы передали аудиозаписью. Модель построена на базе Kandinsky 5.0 Video и обучалась на более чем миллионе видеофрагментов на 95 языках.

Типичные сценарии здесь простые: короткое поздравление с оживлённым фото, объяснение в обучающем ролике от лица персонажа, демонстрация продукта говорящим аватаром. Для этого нужны чистое фото с хорошо видимым лицом и запись голоса без лишнего шума. Качество зависит от исходников сильнее, чем от настроек, поэтому плохая запись даст плохой результат даже в лучшей модели.

Две версии: Lite и Pro

Версия Pro рассчитана на HD-видео. Lite — компактная, она создаёт ролики в SD и, по словам разработчиков, работает на обычной домашней видеокарте. Модель можно запускать через ComfyUI и Diffusers. В arXiv-отчёте та же семья называется Kandinsky S2V 1.0 с размерами 2B и 21B параметров. Поэтому названия в разных источниках расходятся, и перед загрузкой лучше сверить карточку модели на Hugging Face.

Насколько ей можно верить

В слепом тесте Сбера версия Pro сравнивалась с Kling Avatar 2, LongCat-Avatar-1.5 и HeyGen IV. Оценщики отдали предпочтение роликам Kandinsky в 63%, 60% и 54% сравнений соответственно. Это данные самого Сбера, независимой проверки в найденных материалах нет. Прежде чем брать модель в работу, сгенерируйте свои примеры на своём материале.

Как попробовать из России

Массового доступа для обычных пользователей сейчас нет. Реальных вариантов три. Какой бы ни был путь, фото и голос берите только того человека, который дал на это согласие: говорящие аватары легко выдать за настоящие записи, а обманывать людьми с помощью чужого лица не стоит ни в каком сервисе.

• Разработчику — скачать веса и код и запустить модель локально. Для Lite нужна домашняя видеокарта, с Pro придётся разбираться отдельно.
• Обычному пользователю — дождаться, пока модель появится в сервисах Сбера. Подтверждённых дат пока нет.
• Если нужен ролик уже сейчас — посмотрите другие инструменты. Например, Kandinsky 6.0 Video создаёт короткие ролики со звуком и речью, а обзор семейства Kandinsky поможет выбрать подходящую модель.

Вывод

Kandinsky Avatar — заметный релиз: открытая модель с понятной лицензией, которая оживляет фото и озвучивает его вашей записью. Но для большинства читателей это пока история о будущем, а не инструмент на сегодня. Следите за сервисами Сбера, а до их запуска используйте уже доступные инструменты для видео.

Вопросы и ответы

Что такое Kandinsky Avatar 1.0?

Открытая модель Сбера, которая по фото, аудиозаписи и текстовому описанию создаёт видео с говорящим человеком.

Можно ли пользоваться Kandinsky Avatar без программирования?

По найденным материалам, нет. Модель распространяется как код и веса для разработчиков. Сбер планирует добавить её в свои сервисы.

Умеет ли Kandinsky Avatar клонировать голос?

Нет. Модель работает только с аудиозаписью, которую предоставляет пользователь.

Есть ли Kandinsky Avatar в Умке?

Пока нет.