Kandinsky 6.0 Video lokalnie: wideo z dźwiękiem na RTX 4090

👁 120 przeczytań

Kandinsky 6.0 Video to otwarty model, który w jednym przebiegu robi 5-sekundowy klip razem z dźwiękiem: mową, odgłosami i muzyką. Wydał go 6 października 2026 zespół Kandinsky Lab na licencji MIT, która pozwala też na zarabianie. Uruchomiłem obie wersje, Lite (3B) i Pro (29B), na RTX 4090 w ComfyUI. Lite robi klip w ok. 2 minuty, Pro w ok. 6,5 minuty. Pro mówi po angielsku bez błędu, a polskie zdanie wypowiada w 7 słowach na 9.

Co to jest Kandinsky 6.0 Video

Kandinsky to rodzina modeli rosyjskiego Sbera, rozwijana przez Kandinsky Lab. Wersja 6.0 to pierwszy otwarty model tej rodziny, który generuje obraz i dźwięk jednocześnie. W środku są dwa strumienie, wideo i audio, połączone tak, żeby słyszalny trzask fali wypadał w tej samej klatce, w której fala uderza o skałę. Dlatego model robi też synchronizację ust z mową.

Według raportu autorów Pro wyprzedza otwarty LTX-2.5 w większości miar testu VABench, a serwis Gearbrain pisze, że wśród otwartych modeli ustępuje tylko MiniMax H3. To pomiary autorów i omówienia, więc sprawdziłem, jak to wygląda na moim komputerze.

Mój test na RTX 4090

Sprzęt: RTX 4090 24 GB, 64 GB RAM, Windows 11, ComfyUI 0.41.0, modele na dysku SSD po USB. Ustawienia z oficjalnego szablonu: 10 kroków, CFG 1, sampler PiFlow, 864×480, 121 klatek. Rozszerzacz poleceń (osobny model Qwen 3.5 9B, 19 GB) miałem wyłączony i opisy pisałem od razu w pełnej formie. Super Resolution nie włączałem. Czas mierzyłem od wysłania zadania do zapisanego pliku MP4, razem z ładowaniem modeli. Zajętość VRAM to szczyt całej karty z nvidia-smi.

Pro w wersji int8 ma 30,5 GB, więc nie mieści się w 24 GB karty. ComfyUI trzyma część wag w RAM i dosyła je w trakcie (zgłosił 29 GB „staged”). Dlatego Pro jest ponad 3 razy wolniejszy od Lite i potrzebuje 64 GB RAM.

Mowa: czy mówi to, co napisałem

Zdanie do wypowiedzenia wpisuje się w opis sceny między znacznikami <S> i <E>. Każdy klip przepuściłem przez Whisper large-v3 i porównałem z tekstem.

Mimo że w materiałach autorów nie ma ani słowa o polskim, Pro wypowiada prawie całe zdanie z poprawnym akcentem. Gubi drobne słowa („z”) i końcówki („miech” zamiast „miód”). Do krótkiej kwestii w reklamie wystarczy, do dłuższego dialogu po polsku jeszcze nie.

Klipy

Wszystkie klipy są bez poprawek, z dźwiękiem prosto z modelu. Włącz głośnik.

Co zauważyłem

• Pro wygląda jak kadr z filmu. Sam dokłada czarne pasy kinowe (2,39:1), daje miękkie światło i naturalne twarze. Lite jest bardziej „reklamowy” i dosłowny.
• Lite lepiej trzyma się polecenia. W latarni dał snop światła i rozbryzgi wody, Pro zrobił ładny, ale spokojniejszy kadr bez snopu światła i bez deszczu.
• Dźwięk w obu jest dopasowany do obrazu. Szum targu, syk spieniacza, uderzenia fal pasują do tego, co widać. Muzyka w tle z polecenia baristki pojawia się cicho, jak w kawiarni.
• Napisy w kadrze to bełkot, jak w większości modeli wideo. Na ekspresie w klipie Lite pojawił się nieczytelny szyld.

Jak uruchomić Kandinsky 6 w ComfyUI

1. Zaktualizuj ComfyUI do wersji 0.38 lub nowszej (ja mam 0.41).
2. W ComfyUI Manager wyszukaj kandinsky6 (wydawca kandinskylab) i zainstaluj. Opcjonalnie dodaj kandinsky6-sr do podnoszenia rozdzielczości. Ręcznie: skopiuj folder comfyui z repozytorium kandinskylab/kandinsky-6 do custom_nodes/kandinsky6 i doinstaluj requirements.txt Pythonem z ComfyUI.
3. Pobierz model. Lite distill (6,4 GB) ląduje w models/diffusion_models/Kandinsky-6.0-Lite-distill-5s-Diffusers/transformer/ razem z config.json. Oficjalny Pro distill w bf16 waży 60,3 GB, ja użyłem wersji int8 (30,5 GB) z repozytorium kabachuha/Kandinsky-6.0-Pro-distill-5s-int8-convrot. Autor tej wersji uprzedza, że może nie działać z węzłem autorów. U mnie działała.
4. Dociągnij części wspólne: enkoder qwen_2.5_vl_7b.safetensors i clip_l.safetensors (do text_encoders), hunyuan_video_vae_bf16.safetensors (do vae), audio VAE v1-44.pth z MMAudio i vocoder BigVGAN 44 kHz (do audio_vae). Dokładne adresy są w README węzła.
5. Otwórz Workflow, potem Browse Templates, potem kandinsky6 i wybierz „Text to Video+Audio” albo „Image to Video+Audio”.
6. Jeśli wyłączasz rozszerzacz poleceń, pisz pełny opis po angielsku: kto, co robi, kamera, światło, a w drugim polu, co słychać. Kwestie mówione wstawiaj jako <S>tekst<E>.

Na Windowsie uruchamiaj ComfyUI z ustawionym PYTHONUTF8=1. Bez tego u mnie węzły nie chciały się załadować, bo w logach pojawiały się polskie znaki. Ogólny poradnik instalacji mam w tekście ComfyUI od zera.

Kandinsky 6 na tle innych otwartych modeli wideo

Szersze porównanie otwartych modeli wideo, w tym MAGI-2 i LTX-2.5, mam w tekście Otwarte modele wideo 2026. Zestawienie wszystkich nowości z października, łącznie z obrazami i muzyką, jest w tekście Nowe lokalne modele AI.

Najprościej: Hangar

Obie wersje Kandinsky 6 są w katalogu Hangara, mojego darmowego menedżera lokalnych modeli na Windows (bez konta i abonamentu). Katalog podaje pliki w formacie diffusers: Lite distill razem 26,7 GB, Pro distill 80,6 GB, z czego sam transformer to 60,3 GB. Na kartę 24 GB wybieraj Lite, bo Pro mieści się tylko z odciążaniem do RAM. Licencja MIT, komercyjnie wolno, także w UE. Kandinsky potrzebuje w Hangarze osobnego silnika, który jest jeszcze w przygotowaniu.

1. Pobierz instalator (14 MB) ze strony Hangara. Nie jest jeszcze podpisany cyfrowo, więc Windows SmartScreen pokaże ostrzeżenie: kliknij „Więcej informacji”, a potem „Uruchom mimo to”.
2. Hangar wykrywa kartę (Nvidia z CUDA, od 8 GB VRAM, najlepiej 12 GB i więcej) i pokazuje, czy model się zmieści.
3. Znajdź Kandinsky 6 Lite albo Pro w katalogu: zobaczysz rozmiar plików, licencję i to, czy model wolno używać w UE.
4. Generuj na razie w ComfyUI z węzłem kandinsky6, według instrukcji wyżej. Hangar postawi ComfyUI portable od zera (u mnie trwało to 231 s) albo podepnie ComfyUI, które już masz.

Hangar ma model w katalogu, ale generowanie przez Hangar jeszcze nie działa (stan na 17 października 2026) - na razie ComfyUI, opis wyżej. Opis narzędzia: Hangar.

Najczęstsze pytania

Ile VRAM potrzebuje Kandinsky 6?

Lite zajął u mnie szczytowo 18,8-19,9 GB całej karty w 864×480. Pro w int8 21,4 GB, ale tylko dlatego, że reszta wag (ok. 29 GB) siedziała w RAM. Na kartach 16 GB Lite powinien ruszyć z przerzucaniem do RAM, wolniej. Pro bez 64 GB RAM i 24 GB VRAM odradzam.

Czy Kandinsky 6 mówi po polsku?

Pro całkiem nieźle: 7 z 9 słów w moim zdaniu, z wyraźnym „Dzień dobry” i „Jabłka prosto sadu”. Lite przekręca większość zdania. Do kwestii mówionych po polsku bierz Pro.

Czy mogę używać klipów komercyjnie?

Licencja MIT na wagi i kod na to pozwala i nie wyłącza żadnych krajów. Pamiętaj tylko, że wersja int8, której użyłem, pochodzi od niezależnego autora i ma licencję Apache 2.0, też zgodną z użyciem komercyjnym.

Jak zrobić dłuższy klip niż 5 sekund?

Modele 6.0 są trenowane na 5 sekundach (121 klatek). Węzeł pozwala wpisać więcej klatek, ale dłuższych klipów nie testowałem i nie wiem, jak trzyma się wtedy jakość. Dłuższe sceny skleja się z kilku klipów, np. używając ostatniej klatki jako obrazu startowego w trybie obraz-do-wideo.

Lite czy Pro?

Lite do szukania pomysłu i kadrów bez mowy, bo jest ponad 3 razy szybszy. Pro do gotowej sceny z dialogiem i do ujęć, które mają wyglądać filmowo.

Źródła

• Kandinsky 6.0 Lite distill na Hugging Face (karta modelu, licencja MIT)
• kandinskylab/kandinsky-6 na GitHubie (kod i węzeł ComfyUI)
• Raport techniczny Kandinsky 6.0 Video (arXiv)
• Kandinsky 6.0 Pro distill int8 (kabachuha)
• Pomiary własne na RTX 4090, 17 października 2026.