Kandinsky 6.0 Video: gere vídeos com áudio na RTX 4090

👁 117 leituras

O Kandinsky 6.0 Video é um modelo aberto que gera, em uma única execução, um clipe de 5 segundos com áudio: fala, efeitos sonoros e música. Lançado em 6 de outubro de 2026 pela equipe Kandinsky Lab, ele usa a licença MIT, que também permite uso comercial. Testei as versões Lite (3B) e Pro (29B) em uma RTX 4090 com ComfyUI. O Lite gera um clipe em cerca de 2 minutos; o Pro, em cerca de 6,5 minutos. O Pro fala inglês sem erros e reproduziu 7 das 9 palavras de uma frase em polonês.

O que é o Kandinsky 6.0 Video

Kandinsky é uma família de modelos da empresa russa Sber, desenvolvida pela Kandinsky Lab. A versão 6.0 é o primeiro modelo aberto da família a gerar imagem e áudio ao mesmo tempo. Ele combina dois fluxos, um de vídeo e outro de áudio, para que, por exemplo, o som de uma onda quebrando coincida com o quadro em que ela bate na rocha. O modelo também sincroniza os movimentos dos lábios com a fala.

Segundo o relatório dos desenvolvedores, o Pro supera o modelo aberto LTX-2.5 na maioria das métricas do teste VABench. O site Gearbrain afirma que, entre os modelos abertos, ele fica atrás apenas do MiniMax H3. Essas são medições e análises de terceiros; por isso, verifiquei o desempenho no meu computador.

Meu teste na RTX 4090

Configuração: RTX 4090 com 24 GB, 64 GB de RAM, Windows 11, ComfyUI 0.41.0 e modelos em um SSD conectado por USB. Usei as configurações do fluxo de trabalho oficial: 10 etapas, CFG 1, sampler PiFlow, resolução de 864 × 480 e 121 quadros. Deixei desativado o expansor de prompts, que usa um modelo separado Qwen 3.5 9B (19 GB), e escrevi as descrições completas diretamente. Não ativei o Super Resolution. Medi o tempo entre o envio da tarefa e a gravação do arquivo MP4, incluindo o carregamento dos modelos. O uso de VRAM é o pico da placa inteira, medido com nvidia-smi.

A versão Pro int8 ocupa 30,5 GB, então não cabe nos 24 GB da placa. O ComfyUI mantém parte dos pesos na RAM e os transfere durante a geração; o programa informou 29 GB “staged”. Por isso, o Pro é mais de 3 vezes mais lento que o Lite e exige 64 GB de RAM.

Fala: o modelo diz o que foi escrito?

A fala desejada deve ser inserida na descrição da cena, entre as marcações <S> e <E>. Passei cada clipe pelo Whisper large-v3 e comparei a transcrição com o texto. O teste foi feito em polonês; as frases e transcrições abaixo são traduções do material original do teste, não novos testes em português.

Embora os materiais dos desenvolvedores não mencionem o polonês, o Pro pronunciou quase toda a frase com sotaque adequado. Ele omitiu palavras curtas e alterou terminações. Para uma fala curta em um anúncio, pode servir; para diálogos mais longos em polonês, ainda não.

Clipe

Os clipes estão sem edição e usam o áudio gerado pelo próprio modelo. Ative o som.

O que observei

• O Pro parece um quadro de filme. Ele adiciona barras pretas cinematográficas (2,39:1), usa iluminação suave e cria rostos naturais. O Lite tem um visual mais publicitário e literal.
• O Lite segue melhor as instruções. Na cena do farol, gerou um feixe de luz e respingos de água. O Pro criou um enquadramento bonito, mas mais tranquilo, sem feixe de luz nem chuva.
• O áudio das duas versões acompanha as imagens. O ruído da feira, o chiado do vaporizador de leite e o impacto das ondas combinam com o que aparece na tela. A música de fundo pedida na cena da barista toca baixo, como em uma cafeteria.
• As inscrições na imagem são ilegíveis, como acontece com a maioria dos modelos de vídeo. No clipe do Lite, apareceu uma placa sem sentido na máquina de café.

Como instalar o Kandinsky 6 no ComfyUI

1. Atualize o ComfyUI para a versão 0.38 ou posterior. Usei a 0.41.
2. No ComfyUI Manager, procure kandinsky6 (publicado por kandinskylab) e instale o nó. Se quiser, adicione kandinsky6-sr para aumentar a resolução. Para instalar manualmente, copie a pasta comfyui do repositório kandinskylab/kandinsky-6 para custom_nodes/kandinsky6 e instale requirements.txt com o Python do ComfyUI.
3. Baixe o modelo. O Lite distill (6,4 GB) deve ficar em models/diffusion_models/Kandinsky-6.0-Lite-distill-5s-Diffusers/transformer/, junto com config.json. A versão oficial Pro distill em bf16 ocupa 60,3 GB. Usei a versão int8 (30,5 GB) do repositório kabachuha/Kandinsky-6.0-Pro-distill-5s-int8-convrot. O autor dessa versão avisa que ela pode não funcionar com o nó dos desenvolvedores. No meu teste, funcionou.
4. Baixe também os componentes compartilhados: o codificador qwen_2.5_vl_7b.safetensors e clip_l.safetensors (em text_encoders), hunyuan_video_vae_bf16.safetensors (em vae), o VAE de áudio v1-44.pth do MMAudio e o vocoder BigVGAN de 44 kHz (em audio_vae). Os endereços estão no README do nó.
5. Abra Workflow, depois Browse Templates, depois kandinsky6 e escolha “Text to Video+Audio” ou “Image to Video+Audio”.
6. Se desativar o expansor de prompts, escreva uma descrição completa em inglês: quem aparece, o que faz, câmera e iluminação; no segundo campo, descreva o áudio. Insira a fala entre <S>texto<E>.

No Windows, inicie o ComfyUI com PYTHONUTF8=1 definido. Sem isso, os nós não carregaram no meu sistema porque os registros continham caracteres poloneses. O guia geral de instalação está em ComfyUI do zero.

Kandinsky 6 comparado a outros modelos abertos de vídeo

O comparativo mais amplo de modelos abertos de vídeo, incluindo MAGI-2 e LTX-2.5, está em Modelos abertos de vídeo em 2026. O panorama das novidades de outubro, incluindo geração de imagens e música, está em Novos modelos de IA local.

Uma opção mais simples: Hangar

As duas versões do Kandinsky 6 estão no catálogo do Hangar, meu gerenciador gratuito de modelos locais para Windows, sem conta nem assinatura. O catálogo lista os arquivos no formato diffusers: o Lite distill ocupa 26,7 GB no total; o Pro distill, 80,6 GB, dos quais 60,3 GB são do transformer. Em uma placa de 24 GB, escolha o Lite: o Pro só funciona transferindo parte dos dados para a RAM. A licença MIT permite uso comercial, inclusive na União Europeia. O Kandinsky precisa de um mecanismo separado no Hangar, que ainda está em desenvolvimento.

1. Baixe o instalador (14 MB) na página do Hangar. Ele ainda não tem assinatura digital, então o Windows SmartScreen exibirá um aviso: clique em “Mais informações” e depois em “Executar assim mesmo”.
2. O Hangar detecta a placa de vídeo (Nvidia com CUDA, a partir de 8 GB de VRAM; de preferência, 12 GB ou mais) e informa se o modelo cabe nela.
3. Encontre Kandinsky 6 Lite ou Pro no catálogo para ver o tamanho dos arquivos, a licença e se o modelo pode ser usado na União Europeia.
4. Por enquanto, gere os vídeos no ComfyUI com o nó kandinsky6, seguindo as instruções acima. O Hangar instala uma versão portátil do ComfyUI do zero - levou 231 s no meu caso - ou se conecta a uma instalação existente.

O Kandinsky está no catálogo do Hangar, mas a geração pelo próprio Hangar ainda não funciona (situação em 17 de outubro de 2026). Por enquanto, use o ComfyUI, conforme explicado acima. Saiba mais sobre o Hangar.

Perguntas frequentes

Quanta VRAM o Kandinsky 6 exige?

Na resolução de 864 × 480, o Lite chegou a um pico de 18,8 a 19,9 GB de VRAM na placa inteira. O Pro int8 chegou a 21,4 GB, mas apenas porque cerca de 29 GB dos pesos ficaram na RAM. Em placas de 16 GB, o Lite deve funcionar transferindo dados para a RAM, mas mais devagar. Não recomendo o Pro sem 64 GB de RAM e 24 GB de VRAM.

O Kandinsky 6 fala polonês?

O Pro se saiu razoavelmente bem: reproduziu 7 das 9 palavras da frase do meu teste, incluindo “Bom dia” e “Maçãs direto do pomar”. O Lite errou a maior parte da frase. O teste foi feito em polonês, não em português. Para falas em polonês, prefira o Pro.

Posso usar os clipes comercialmente?

A licença MIT dos pesos e do código permite uso comercial e não exclui nenhum país. A versão int8 que usei vem de um autor independente e tem licença Apache 2.0, que também permite uso comercial.

Como criar um clipe com mais de 5 segundos?

Os modelos 6.0 foram treinados para clipes de 5 segundos (121 quadros). O nó permite informar mais quadros, mas não testei clipes mais longos e não sei como a qualidade se mantém. Para criar cenas mais longas, combine vários clipes; por exemplo, use o último quadro como imagem inicial no modo de imagem para vídeo.

Lite ou Pro?

Use o Lite para explorar ideias e enquadramentos sem fala: ele é mais de 3 vezes mais rápido. O Pro é melhor para uma cena finalizada com diálogo e para tomadas com aparência cinematográfica.

Fontes

• Kandinsky 6.0 Lite distill no Hugging Face (página do modelo, licença MIT)
• kandinskylab/kandinsky-6 no GitHub (código e nó para ComfyUI)
• Relatório técnico do Kandinsky 6.0 Video (arXiv)
• Kandinsky 6.0 Pro distill int8 (kabachuha)
• Medições próprias na RTX 4090, em 17 de outubro de 2026.

// continue lendoKandinsky 6 e Wan 2.2: como criar uma influenciadora de IABenchmarksModelos de IA locais em 2026: Kandinsky 6, Qwen e FLUX 3BenchmarksClaude Fable 5.2 vs Opus 5.5: preço, benchmarks e qual escolherBenchmarks