Kandinsky 6.0 开源视频权重：同一次生成即可产出声音
--- title: Kandinsky 6.0 开源视频权重：同一次生成即可产出声音 meta_title: Kandinsky 6.0 开源带原生音频的视频 meta_description: Kandinsky Lab 发布 3B 和 29B 视频模型，可在一次生成中生成同步音频，采用 MIT 许可，并获 vLLM-Omni 零日支持。 ---
大多数开源文生视频系统都把声音当成别人的问题。先生成无声画面，之后再外挂一条音轨，而嘴唇动作很少能对上对白。Kandinsky Lab 本周在 fal 上发布的方案，是同时对两者进行建模。
Kandinsky 6.0 Video 提供两种规模：面向电影级输出的 29B Pro 模型，以及用于快速迭代的 3B Lite 版本。代码与权重以 MIT 许可证发布，对于任何计划商用的人来说，这一点比参数量更重要。
两个层级实际能带来什么
两个模型都面向短视频生成。片段最长约五秒，音频以 44kHz 采样率输出。Pro 是质量层级；Lite 则面向需要快速迭代、并愿意用保真度换取速度和成本的团队。
最核心的能力是联合生成。语言、视觉和音频被一起建模，而不是放在一条流水线中，因此脚步声、环境效果和口型都能与屏幕上发生的事对齐。这种原生同步此前主要属于闭源商业系统，这也让开源发布显得格外值得注意。
vLLM-Omni 提供零日推理支持。这不只是方便而已。当推理栈在发布当天而不是几周后才支持时，团队就能在最初的热情消退之前，用自己的工作负载来评估模型。
在 fal 上，该模型与集成式放大功能以及独立的视频超分辨率工具打包提供。因此实际流程就是输入文本或图像，输出五秒片段，然后再放大。
许可证需要仔细阅读
这部分值得注意。关于此次发布的报道称其为 MIT，Kandinsky Lab 自己的公告也表示代码和权重是在 MIT 许可证下提供的。不过，一个独立模型追踪器将其许可证列为自定义，而非标准宽松许可证。
在任何人基于这些权重构建产品之前，这个差异值得先弄清楚。真正的宽松许可证意味着无需单独协议即可商用、修改和再分发。自定义许可证乍看之下可能同样开放，但仍可能带有后来才显现的限制，通常涉及地域、规模或下游再分发。
今年的一种模式是，中国实验室发布开放权重，使用听起来宽松的名称，却在条款中埋下例外。例如，MiniMax 的 H3 许可证排除了美国、欧盟、英国和韩国。任何从模型卡走向部署计划的人，都应该阅读实际条款。
如果 MIT 许可的视频权重真如描述那样成立，那将是有意义的一步。宽松的视频许可证比宽松的语言模型许可证更少见，部分原因是视频模型在训练数据方面有更复杂的来源问题，部分原因是生产这些模型的实验室往往更偏商业化。一个真正开放、还能处理音频的视频模型，将为小型工作室提供一条无需 API 合同的路径。
为什么同步音频是更难的问题
从文本提示生成看似合理的运动已经解决得足够好，以至于有趣的工作已经转移到了别处。开源视频生成中令人不满意的部分一直是音频。
想想无声生成把什么推给了用户。角色在说话，但下颌却按自己的节奏移动。有人在走路，但脚步声必须在后期添加，还要逐帧手动匹配。门关上了，却没有声音，而塞入一个现成音效很少能落在正确的帧上。这些问题单独看都很小，合在一起却是一笔持续的成本，因为每一个都需要剪辑师投入注意力。
联合建模改变了任务形态。模型在内部处理时序，因此输出更接近一个完成的片段。对于短视频内容、社交广告和角色动画来说，这就是演示品与可交付成果之间的差别。
Pro 是否真正实现了紧密同步，与架构是否支持它是两个不同的问题，而能够定论的独立评估尚未出炉。此次发布提出了这一主张并提供了演示；把这些当作证据还为时过早。
它在开源视频阵营中的位置
五秒短片让 Kandinsky 6.0 稳稳处于当前开源视频生成领域之中，而不是领先于它。阿里巴巴的 Wan 3.0 在 Artificial Analysis 重建的文生视频榜单上以 1157 的 Elo 位居榜首，而值得自行运行的开放权重选项，尤其是 MiniMax H3，也早已确立。
所以公平的定位是：具有竞争力，而非革命性。Kandinsky 6.0 增加的是开放许可证下的原生音频，以及覆盖严肃质量层级和轻量层级的规模范围。尤其是 3B Lite 模型，为那些永远无法证明有理由托管 29B 扩散模型的团队打开了大门。
双层级结构也让团队能明确权衡取舍。在迭代提示词和故事板时运行 Lite，这时五秒片段需要存在，但不必精美。当序列锁定后，再转向 Pro。这种工作流形态，闭源提供商已经支持了一段时间，而开放权重则大多缺乏。
值得关注什么
三件事能告诉你，这次发布在六个月后是否仍然重要。
第一，许可证条款。如果它们最终确实是真正宽松的，该模型将成为商业开放视频工作的默认选项。如果限制具有实际意义，采用就会集中在这些限制不产生影响的地域。
第二，独立基准。Artificial Analysis 正在以新的规模重建其图生视频榜单，而一旦新榜单落地，每个 Elo 都会变动。在 Kandinsky 6.0 出现在这样的榜单上之前，质量主张都只依赖于厂商演示。当前文生视频排行榜上，Wan 3.0 以 1157 的 Elo 和每分钟 12 美元的成本位居榜首，并在 20 个类别中赢得 10 个，这让人感受到领域顶部的竞争有多拥挤。Kandinsky 6.0 并没有在那个层级竞争，而诚实的问题是，它是否需要。
第三，音频在仔细审视下是否站得住脚。同步在一个人对着镜头说话的五秒片段中很容易展示，但在声音重叠的拥挤场景中却很难展示。到目前为止发布的演示都是简单版本。
还有一个考虑适用于任何计划在此基础上构建的团队。视频生成模型的运行成本很高，而 29B 扩散模型是一项严肃的部署。通过 fal 租用算力可以消除这一负担，但也消除了开放权重的主要优势，即自行运行它们。对大多数团队来说，3B Lite 层级是更有趣的选择，因为它是那个有可能在小型工作室已有硬件上运行的选项。
目前，有趣的事实是结构性的。一个开放模型能同时生成画面和声音，采用可能完全宽松也可能不完全宽松的许可证，并且推理支持在同一天到来。开源与闭源视频生成之间的差距本周缩小了，而许可证问题将决定这一差距还有多少会保持封闭。