Kandinsky 6.0 开源:视频生成自带同步音频,Lite 3B/Pro 29B 双版本
lmoroney · x · 2026-10-13
Kandinsky Lab 在 Hugging Face 上以 MIT 协议开源了 Kandinsky 6.0 Video 家族,主打「画面+声音一次生成」。
- 两个版本:Lite(约 3B 参数)和 Pro(约 29B),均支持文生音视频(T2AV)与图+文生音视频(TI2AV)
- 输出规格:5 秒短片,配 44 kHz 同步音频(含唇形同步);另有超分插件可升至 1920×1080 全高清
- 架构:视频流与音频流通过双向 cross-attention 耦合,画面与声音联合训练,因此同步是原生的而非后配
- 开源内容:代码、权重、Diffusers pipeline 全部放出(arXiv 2610.05608),Lite 版对消费级硬件友好,支持 CPU offload 试玩
作者还给出一个实用练习:让 prompt 里写清「什么时间出现什么声音」,生成后交替静音/取消静音观看,这是最快摸清音频同步表现的验证方法。
所属事件:Kandinsky 6.0 视频生成模型开源，画面声音一次生成(2 条相关)→
「多模态」频道最新
- 免费 Krea2 角色/风格目录发布:3919 个样本附 ComfyUI 工作流 — Savings_Prune_8792 · 2026-10-13
- 作者用 3D 姿态与色块区域自训两个 Anima ControlNet-LLLite 模型 — toyxyz · 2026-10-13
- Midjourney 虚拟网红晒晨间人像，写真质感以假乱真 — tisch_eins · 2026-10-13
- 作者实测训练 DLSSNR 卡通渲染风格,新数据线条感明显更接近 NPR 目标 — bdsqlsz · 2026-10-13
- 开发者用 MCP 让 Claude/Codex 直接创建 3D 高斯泼溅场景 — y0un51n · 2026-10-13
- Krea 3 图像模型发布在即，fal 已上线提示词指南 — Oren_Lester · 2026-10-13