资讯
Kandinsky 6.0 Video 开源：29B / 3B，音画同步、MIT 许可、本地可跑
一句话：10/6 Kandinsky Lab 开源 Kandinsky 6.0 Video：29B Pro 与 3B Lite 双模型，单次生成带 44kHz 同步音频的 5 秒片段，MIT 许可、可本地运行。
背景
- Kandinsky Lab 10/6 在 GitHub 与 arXiv 同步开源 Kandinsky 6.0 Video，是首批把画面与声音在同一模型里联合生成的开放视频模型之一。
核心要点
- 双模型：29B Pro（电影质）与 3B Lite（快速迭代），均生成 5 秒片段、44kHz 同步音频，含唇形对齐。
- 架构为双流 CrossDiT，视频流基于 Kandinsky 5.0、音频流新训，双向交叉注意力逐层对齐声画。
- MIT 许可（代码、权重、Diffusers 集成），无地域排除；提供 ComfyUI 节点、vLLM-Omni 与免费 Hugging Face 演示。
- RL 后训练把语音词错率降低 47%；自报对比为作者内部人工评测，片段仅 5 秒、渲染较慢。
为什么重要
- 开放视频模型大多静音，Kandinsky 把语音/音效/唇形一次生成，给独立创作者一个无按次 API 费的音画预览与 look-dev 选项。
关键事实速记
- Kandinsky 6.0 Video 开源（10-06）
- 29B Pro + 3B Lite
- 音画同步 / 44kHz / MIT
- 双流 CrossDiT
- 本地可跑 / 无地域排除
📂 原文链接：查看原文 →
← 返回资讯列表
AI8899 · 内容仅供学习参考