Сбер выпустил Kandinsky 6.0 Video: видео со звуком и в Full HD
6 октября Сбер представил Kandinsky 6.0 Video — обновлённую модель, которая генерирует видео вместе со звуком: речью, музыкой и шумами окружения. Пользователям GigaChat доступны три уровня качества, включая Full HD, а разработчики могут бесплатно встроить модель в свои продукты по лицензии MIT.
Что именно умеет новая модель
Kandinsky 6.0 Video обрабатывает картинку и звук одновременно, поэтому речь синхронизируется с движением губ, а звуки и музыка совпадают с происходящим в кадре. Модель умеет генерировать диалоги, музыкальное сопровождение и бытовые шумы: шаги, ветер, проезжающий автомобиль. Звук создаётся с частотой 44 кГц, как в большинстве стриминговых сервисов.
Чтобы получить ролик, достаточно описать сцену текстом или загрузить первый кадр и указать нужный звук. При необходимости можно попросить видео без звука. Также улучшилась передача физики: движения людей, животных и техники выглядят естественнее, в том числе в динамичных сценах.
Чем отличается от предыдущей версии
Kandinsky 5.0 не собирала видео и звук в одном проходе. Теперь это две связанные модели в одной системе. Звуковой модуль обучали более чем на 20 млн видео со звуком, отбирая ролики с чистой аудиодорожкой и крупными планами говорящих людей. Это нужно для точной синхронизации речи и мимики.
По данным Сбера, Kandinsky 6.0 Video Pro точнее следует заданному сценарию и лучше передаёт движение камеры. В компании заявляют, что новая версия превосходит Kandinsky 5.0 в среднем в 71% случаев по совокупности критериев.
Где бизнесу пригодятся пятисекундные ролики
Видео со звуком теперь можно получить из текстового описания на русском, без студии, диктора и монтажёра. Для российских компаний это в первую очередь инструмент для генерации контента для маркетинга: короткие ролики для соцсетей, карточек товаров, рекламных креативов. Пяти секунд хватает на тизер, обложку или динамичную вставку, но не на полноценный рекламный ролик.
Второй сценарий: внутренние коммуникации, обучающие нарезки, инструкции для сотрудников, заставки в презентациях. Здесь важна открытая лицензия MIT: модель можно развернуть в своём контуре и не отправлять материалы наружу. Для компаний, которые работают с персональными данными и обязаны соблюдать 152-ФЗ, это существенный аргумент в пользу локальной установки.
Есть и ограничения. Пятисекундный лимит ограничивает применение, а качество синхронизации речи на сложных сценах может требовать ручной проверки. Если вы планируете использовать генерацию в клиентских коммуникациях, стоит заранее продумать, кто отвечает за проверку фактов и соответствие рекламному законодательству.
Начать можно с малого: выбрать одну регулярную задачу, например еженедельные ролики для соцсетей, и посмотреть, сколько времени это экономит по сравнению с текущим процессом. Если нужен более широкий сценарий, посмотрите AI для маркетинга.
Частые вопросы
Где можно попробовать Kandinsky 6.0 Video?
Модель доступна пользователям GigaChat. В интерфейсе можно выбрать качество генерации: SD для скорости, HD для детализации, Full HD для максимального качества.
Сколько секунд длится видео со звуком?
Максимальная продолжительность ролика со звуком — 5 секунд. В Сбере говорят, что в будущем планируют увеличить этот показатель.
Можно ли использовать модель в коммерческих продуктах?
Да, Kandinsky 6.0 Video доступна разработчикам под лицензией MIT, её можно бесплатно интегрировать в собственные продукты. Это открывает путь к локальному развёртыванию, в том числе на своих серверах.
Если вы хотите понять, как генерация видео и другие AI-инструменты могут встроиться в ваши процессы, от контента до поддержки клиентов, обсудите это с командой AIPAI. Мы поможем выбрать сценарий и оценить, что даст эффект именно в вашей компании. Посмотреть, как AI работает с контентом.
