Mówiąca AI influencerka lokalnie: Kandinsky 6 i Wan 2.2
Ożywiłem 5 AI influencerek: pionowe relacje z mową po polsku z Kandinsky 6 i ruch z Wan 2.2, 15 klipów z pomiarami.
👁 117 przeczytań
- Kandinsky 6.0 Pro osiągnął średnio 65% rozpoznanych słów przez Whisper, co czyni go najlepszym z testowanych modeli do polskiej mowy.
- Wan 2.2 5B generuje klip w ok. 1,5 min i daje najładniejszy ruch rąk i mimiki, ale nie produkuje dźwięku.
- Wszystkie trzy modele mają licencje MIT lub Apache 2.0 dopuszczające użycie komercyjne, a do działania wymagają karty NVIDIA z 24 GB VRAM.
Zrobiłem 5 AI influencerek na zdjęciach (opis w teście AI influencerka bez plastiku), a teraz je ożywiłem. Każda dostała 5-sekundową pionową relację, w której mówi jedno zdanie po polsku do telefonu. Generowałem je lokalnie na RTX 4090 trzema modelami: Kandinsky 6.0 Lite i Pro (obraz razem z głosem) oraz Wan 2.2 5B (sam obraz). Ruch i twarze wyglądają jak prawdziwe relacje z telefonu. Polska mowa to nadal słaby punkt: w najlepszym modelu Whisper rozpoznał średnio 65% słów.
W skrócie, 17 października 2026
- Wejście: selfie z FLUX.2 Klein 4B, wyjście: 5 s, pion 9:16, 24 kl./s.
- Kandinsky 6.0 Lite: ok. 1,5-2,5 min na klip, mowa po polsku średnio 57% słów (od 30 do 88%).
- Kandinsky 6.0 Pro (int8): ok. 6-7 min na klip, mowa po polsku średnio 65% słów.
- Wan 2.2 5B: ok. 1,5 min na klip, bez dźwięku, ale najładniejszy ruch rąk i mimiki.
- Wszystkie trzy modele mają licencje pozwalające na użycie komercyjne (MIT i Apache 2.0).
Seria: lokalne AI na RTX 4090, testy z 17 października 2026
- Zestawienie: nowe lokalne modele AI (październik 2026)
- AI influencerka bez plastiku: 5 postaci na 5 modelach
- Mówiąca AI influencerka: wideo z głosem po polsku (czytasz teraz)
- FLUX 3 Image Klein: 7,5 GB VRAM, 6 s na obraz
- Qwen-Image 2.1 Turbo: 4 s na obraz
- Kandinsky 6.0: wideo z dźwiękiem i mową po polsku
- YuE2 i 3 inne modele: polskie piosenki lokalnie
Jak to zrobiłem
- Wziąłem selfie każdej postaci z FLUX.2 Klein 4B, bo w teście zdjęć wypadł najbardziej naturalnie i ma licencję Apache 2.0.
- Każdej postaci napisałem jedno zdanie (7-10 słów) i krótki opis tego, co robi i co słychać w tle.
- Kandinsky dostał zdjęcie jako pierwszą klatkę, opis sceny z kwestią w znacznikach
<S>...<E>i osobny opis dźwięku. Wan dostał ten sam opis, ale bez dźwięku. - Format 480×864 (Kandinsky) i 544×960 (Wan), 121 klatek, czyli 5 sekund.
- Mowę z każdego klipu przepuściłem przez Whisper large-v3 i policzyłem, ile słów z kwestii słychać.
Polecenie do wideo wyglądało tak (przykład dla przewodniczki z Zakopanego):
Klipy: 5 postaci, 3 modele
Przy każdej postaci są trzy klipy w kolejności: Kandinsky Pro, Kandinsky Lite, Wan 2.2. Klipy Kandinsky mają dźwięk z modelu, Wan jest niemy.
Kasia, biegaczka z Gdańska: „Dziesięć kilometrów przed śniadaniem. Kto biega ze mną jutro?”
Amara, blogerka kulinarna z Wrocławia: „Dziś pierogi z jollof rice. Brzmi dziwnie, ale smakuje obłędnie!”
Halina, działkowiczka z Łodzi: „Marchewka w tym roku obrodziła. Zapraszam na działkę!”
Mei, recenzentka sprzętu z Krakowa: „Testuję nowe słuchawki. Recenzja jutro na kanale.”
Zofia, przewodniczka z Zakopanego: „Wieje jak diabli, ale Morskie Oko czeka. Idziemy!”
Mowa po polsku: co słychać
| Kwestia | Kandinsky Pro | Kandinsky Lite |
|---|---|---|
| „Dziesięć kilometrów przed śniadaniem. Kto biega ze mną jutro?” | 67% | 56% |
| „Dziś pierogi z jollof rice. Brzmi dziwnie, ale smakuje obłędnie!” | 70% | 30% |
| „Marchewka w tym roku obrodziła. Zapraszam na działkę!” | 62% | 38% |
| „Testuję nowe słuchawki. Recenzja jutro na kanale.” | 86% | 71% |
| „Wieje jak diabli, ale Morskie Oko czeka. Idziemy!” | 38% | 88% |
Pro wypowiada polskie zdania średnio lepiej niż Lite, ale nie w każdym klipie: u przewodniczki z Zakopanego to Lite miał 88%, a Pro 38%. Żaden model nie jest bezbłędny. Najczęściej psują się słowa z „rz”, „ż” i nietypowe nazwy („jollof rice”). Krótkie, proste zdania wychodzą najlepiej: „Wieje jak diabli, ale Morskie Oko czeka. Idziemy!” Lite powiedział prawie bez błędu. Do relacji na Instagramie, gdzie i tak dodaje się napisy, Pro wystarczy. Do dłuższych wypowiedzi lepiej nagrać lektora AI osobno i podłożyć pod wideo.
Porównanie modeli
| Model | Czas na klip | Mocne strony | Słabe strony |
|---|---|---|---|
| Kandinsky 6.0 Pro (int8) | 6:06-7:02 min* | najlepsza polska mowa, dźwięk tła pasuje do miejsca | najwolniejszy, potrzebuje 64 GB RAM |
| Kandinsky 6.0 Lite | 1:24-2:32 min | szybki, naturalny „telefonowy” ruch kamery, dźwięk | przekręca polskie słowa (średnio 57%) |
| Wan 2.2 5B | 1:23-2:03 min | płynny ruch rąk, mimika, wierne pierwszej klatce | bez dźwięku, w jednym klipie twarz lekko się zmieniła |
* Jeden klip Pro liczył się 40 minut, bo w tym czasie kartę zajmował inny program. Wszystkie czasy mierzyłem przy częściowo zajętej karcie. Na wolnej karcie wcześniejsze klipy Kandinsky Lite robiły się w ok. 2 min, a Pro w ok. 6,5 min (test Kandinsky 6.0 lokalnie).
Co wyszło dobrze, a co źle
- Twarz trzyma się zdjęcia. Wszystkie trzy modele zachowały piegi, okulary, fryzury i ubrania z pierwszej klatki. Tylko u Wana biegaczka pod koniec klipu wygląda trochę młodziej.
- Ruch jak z telefonu. Lekkie bujanie kamery, ręka poprawiająca włosy, mrużenie oczu w słońcu. Nikt nie „pozuje” jak w reklamie.
- Dziwne gesty. W klipie Wana blogerka kulinarna podnosi łyżkę z pierogiem prawie do nosa. Recenzentka sprzętu w lustrze prawie się nie rusza.
- Polskie słowa. W klipie Lite „pierogi” zamieniły się w słowo, którego nie zacytuję. Zanim wrzucisz klip, posłuchaj go do końca.
Jak to powtórzyć u siebie
- Zrób zdjęcie postaci według zasad z testu AI influencerka bez plastiku.
- Zainstaluj Kandinsky 6 w ComfyUI (instrukcja w teście Kandinsky 6.0 lokalnie) i otwórz szablon „Image to Video+Audio”.
- Wczytaj zdjęcie w „Load Image”, ustaw szerokość 480 i wysokość 864, w „Beautify Prompt” przestaw
enabledna false i wpisz opis z kwestią w<S>...<E>. - Zdania pisz krótkie, 6-10 słów, bez obcych nazw. Rób 2-3 wersje i wybieraj tę, w której słychać wszystkie słowa.
- Wan 2.2 5B (szablon „Wan 2.2 5B ti2v”) bierz, gdy klip ma być bez mowy, np. pod muzykę.
Pamiętaj o oznaczeniu, że to AI. Zasady opisałem w części o oznaczaniu w teście zdjęć.
Najczęstsze pytania
Czy da się zrobić mówiącą AI influencerkę za darmo?
Tak, lokalnie. Kandinsky 6.0 (MIT) i Wan 2.2 (Apache 2.0) są darmowe i pozwalają na użycie komercyjne. Potrzebujesz karty NVIDIA z 24 GB VRAM. Kandinsky Pro wymaga też 64 GB RAM.
Który model najlepiej mówi po polsku?
Kandinsky 6.0 Pro: średnio 65% słów w moich 5 klipach. Lite miał 57%. Wan 2.2 dźwięku nie robi.
Jak długie klipy można zrobić?
Modele są trenowane na 5 sekundach. Dłuższą relację skleja się z kilku klipów, biorąc ostatnią klatkę poprzedniego jako początek następnego.
Ile to trwa?
Na RTX 4090 od ok. 1,5 min (Lite, Wan) do ok. 7 min (Pro) na 5-sekundowy klip.
Google · Twoje źródłaPromptowy wyżej w Twoim Google - jednym kliknięciemDodaj do preferowanych źródeł →Źródła
- Kandinsky 6.0 na Hugging Face (licencja MIT)
- Wan 2.2 TI2V 5B na Hugging Face (licencja Apache 2.0)
- Własny test na RTX 4090, 17 października 2026: 15 klipów, Whisper large-v3.
Cały tydzień w AI, w jednym mailu
Wybrane premiery, narzędzia i analizy. Raz w tygodniu, prosto do skrzynki.
Zapisz się za darmo →Podobne tematy na Promptowym
