Kandinsky 6.0 Video 开源：29B / 3B，音画同步、MIT 许可、本地可跑

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