Kandinsky 6.0 озвучивает видео. Что делать продюсеру

Сбер выпустил Kandinsky 6.0 Video, и в ГигаЧате теперь есть бесплатная генерация видео со звуком в разрешении до Full HD. Ролик получается до пяти секунд, с речью, музыкой и окружающими шумами по текстовому описанию. Я смотрю на это как продюсер: нейронки перестали выдавать немое кино, и теперь моделька годится для черновых материалов, аниматиков и SMM-контента. Финальный фильм из пяти секунд не соберёшь, но питч-ролик без диктора и звукорежиссёра уже можно сделать.

Как устроена генерация видео со звуком в Kandinsky 6.0

Внутри два связанных нейросетевых модуля. Они делают картинку и аудиодорожку одновременно, и разработчики целятся в главную боль ИИ-роликов – рассинхрон. Шаги, шум ветра, проезжающая машина подстраиваются под то, что происходит в кадре. Если в кадре говорит персонаж, система сама подгоняет мимику и движение губ под речь.

Аудиомодуль обучили на 20 миллионах видеороликов с чистым звуком, на выходе частота 44 кГц. Режимов качества три: быстрый SD для набросков, HD для нормальной детализации и Full HD для финального рендера. Звук не нужен – отключаете в настройках.

Где это пригодится агентству и продюсеру

Главная ценность здесь – скорость и экономия на препродакшене. Нужно собрать кейс к утру, оживить статичный макет или показать концепт для тендера – и не поднимать ради этого большую команду.

Дизайнер анимирует первый кадр презентации и добавляет озвученный диалог, а клиент сразу слышит настроение ролика. Маркетолог прогоняет десятки гипотез креативов со звуком и не тратится на дикторов. Малый бизнес собирает простые продуктовые ролики прямо в интерфейсе ГигаЧата без съёмочной группы.

Есть и полезная фишка с референсами. Если модель не знает внешность нового персонажа или объекта, ей загружают картинку-исходник. Она разбирает изображение и строит по нему видеоряд.

Открытый код: что в нём важно для пайплайна

Сбер выложил Kandinsky 6.0 Video под лицензией MIT. Технические директора и разработчики могут бесплатно встраивать модель в собственные решения для автоматизации контента. Совместимость заявлена с FAL, Diffusers, FastVideo, ComfyUI, SGLang и vLLM-omni, так что в существующий пайплайн она встаёт без написания сложного кода с нуля.

По внутренним тестам Сбера, новая Pro-версия обходит Kandinsky 5.0 в среднем в 71% случаев по качеству картинки, точности промпта и движениям камеры. Ещё она опережает открытую модель LTX 2.5 и превосходит Veo 3.1 Fast в задачах анимации. Это цифры самого Сбера, поэтому я бы сначала проверил их на своих задачах. Честно, не знаю, как модель поведёт себя на ваших брендах и на русской речи в сложных сценах.

При этом связка из зарубежных сервисов, подписок и ручного сведения звука для базовых задач становится не нужна: динамичный контент со звуком теперь собирается в одном месте.

Что сделать на этой неделе

• Возьмите макет или кадр из последнего питча, загрузите как стартовый и посмотрите, что модель сделает со звуком.
• Прогоните один и тот же промпт в SD, HD и Full HD. Так вы поймёте, с какого режима результат годится для показа клиенту.
• Проверьте на русской речи синхрон губ и разборчивость фраз. Для этого достаточно трёх-четырёх коротких реплик.
• Спросите технаря, встанет ли модель в ваш пайплайн через ComfyUI или Diffusers, и покажите юристу лицензию MIT до того, как закладывать модель в процесс.

Пять секунд – это материал для аниматика и теста гипотез. Когда нужна режиссура, монтаж и сведённый звук, людей из процесса не убрать: у меня монтаж делают люди, а нейросети дают скорость и бюджет. Как это выглядит в готовых работах, можно посмотреть на странице AI-видеопродакшн Мити Амбарцумяна. Там есть межпрограммный генеративный фильм про падел для Окко, где цифры живут внутри кадра, и имиджевый тизер OREX для платформы земли в Дубае, который работает в продажах.