Kandinsky Labは2026年10月6日、動画と音声を同期させて生成する基盤モデル群「Kandinsky 6.0 Video」を発表した。モデルの重み・コード・Diffusers連携のすべてをMITライセンスで公開しており、商用利用を含め制限なく利用できる完全オープンソースのモデルとなっている。
ラインアップは290億パラメータの「Pro」と30億パラメータの「Lite」の2モデルで、いずれも44kHzの音声を動画と同時に生成し、5秒程度のクリップを出力できる。別途用意された14億パラメータの超解像モデルを使うことで、出力をフルHD画質まで拡大することも可能だという。
公開された論文によれば、口の動きと音声を合わせるリップシンクの評価スコアは、Proが2.072、Liteが1.761を記録し、比較対象とした他社の動画生成モデル「LTX 2.5」の1.567を上回ったとしている。この数値はKandinsky Lab自身の計測によるもので、第三者による検証ではない点には留意が必要だ。
音声付き動画生成はナレーションや会話シーンの自動生成など応用範囲が広く、オープンソースでの公開によって研究者や開発者が自由に改良・商用展開できる点が注目されている。
出典: Kandinsky Lab
