Kandinsky 6.0 Video : générer une vidéo avec son en local

👁 123 lectures

Kandinsky 6.0 Video est un modèle ouvert qui génère en une seule passe une vidéo de 5 secondes avec son : parole, bruitages et musique. L’équipe Kandinsky Lab l’a publié le 6 octobre 2026 sous licence MIT, qui autorise aussi l’usage commercial. J’ai testé les deux versions, Lite (3B) et Pro (29B), sur une RTX 4090 dans ComfyUI. Lite génère un clip en environ 2 minutes, Pro en environ 6,5 minutes. Pro parle anglais sans erreur et prononce 7 mots sur 9 dans une phrase en polonais.

Qu’est-ce que Kandinsky 6.0 Video ?

Kandinsky est une famille de modèles de Sber, développée par Kandinsky Lab. La version 6.0 est le premier modèle ouvert de cette famille à générer simultanément l’image et le son. Elle repose sur deux flux, vidéo et audio, synchronisés de façon à faire entendre le fracas d’une vague au moment même où elle frappe le rocher. Le modèle synchronise ainsi aussi les mouvements des lèvres avec la parole.

D’après le rapport de ses auteurs, Pro devance le modèle ouvert LTX-2.5 sur la plupart des mesures du test VABench. Le site Gearbrain indique pour sa part qu’il n’est devancé que par MiniMax H3 parmi les modèles ouverts. Ces résultats viennent des auteurs et des articles qui les commentent : j’ai donc vérifié ce que le modèle donne sur mon ordinateur.

Mon test sur RTX 4090

Configuration : RTX 4090 24 Go, 64 Go de RAM, Windows 11, ComfyUI 0.41.0, modèles stockés sur un SSD connecté en USB. J’ai utilisé les réglages du workflow officiel : 10 étapes, CFG 1, échantillonneur PiFlow, 864×480, 121 images. J’avais désactivé l’extension de prompt, qui repose sur un modèle séparé Qwen 3.5 9B de 19 Go, et j’ai rédigé directement des descriptions complètes. Je n’ai pas activé Super Resolution. J’ai mesuré le temps entre l’envoi de la tâche et l’enregistrement du fichier MP4, chargement des modèles compris. La VRAM indiquée correspond au pic relevé pour toute la carte avec nvidia-smi.

La version Pro int8 pèse 30,5 Go et ne tient donc pas dans les 24 Go de la carte. ComfyUI conserve une partie des poids en RAM et les transfère au fur et à mesure ; il a signalé 29 Go « staged ». Pro est ainsi plus de 3 fois plus lent que Lite et nécessite 64 Go de RAM.

Parole : le modèle dit-il ce que je lui ai demandé ?

La phrase à prononcer se place dans la description de la scène, entre les balises <S> et <E>. J’ai passé chaque clip dans Whisper large-v3 et comparé la transcription au texte demandé. Le test vocal a été réalisé en polonais. Les formulations françaises ci-dessous sont des traductions des phrases et transcriptions du test polonais original, pas de nouveaux tests en français.

Bien que les documents des auteurs ne mentionnent pas le polonais, Pro prononce presque toute la phrase avec un accent correct. Il perd de petits mots et déforme la fin d’un mot. Pour une courte réplique publicitaire, le résultat peut suffire ; pour un dialogue plus long en polonais, pas encore.

Les clips

Tous les clips sont bruts, avec le son directement généré par le modèle. Activez le son.

Ce que j’ai remarqué

• Pro ressemble à une image de film. Le modèle ajoute de lui-même des bandes noires au format cinéma (2,39:1), avec une lumière douce et des visages naturels. Lite donne un résultat plus publicitaire et plus littéral.
• Lite suit mieux la consigne. Pour le phare, il a produit un faisceau lumineux et des éclaboussures ; Pro a généré une belle image, mais plus calme, sans faisceau ni pluie.
• Dans les deux versions, le son correspond à l’image. Le brouhaha du marché, le sifflement du mousseur à lait et les vagues collent à ce que l’on voit. La musique de fond demandée dans la scène de la barista est discrète, comme dans un café.
• Le texte affiché à l’image est illisible, comme avec la plupart des modèles vidéo. Dans le clip Lite, une enseigne brouillée apparaît sur la machine à café.

Installer Kandinsky 6 dans ComfyUI

1. Mettez ComfyUI à jour vers la version 0.38 ou ultérieure (j’utilise la 0.41).
2. Dans ComfyUI Manager, recherchez kandinsky6 (éditeur : kandinskylab) et installez-le. Vous pouvez aussi ajouter kandinsky6-sr pour augmenter la résolution. Pour une installation manuelle, copiez le dossier comfyui du dépôt kandinskylab/kandinsky-6 dans custom_nodes/kandinsky6, puis installez requirements.txt avec le Python de ComfyUI.
3. Téléchargez le modèle. Lite distill (6,4 Go) se place dans models/diffusion_models/Kandinsky-6.0-Lite-distill-5s-Diffusers/transformer/, avec config.json. La version officielle Pro distill en bf16 pèse 60,3 Go ; j’ai utilisé la version int8 (30,5 Go) du dépôt kabachuha/Kandinsky-6.0-Pro-distill-5s-int8-convrot. Son auteur prévient qu’elle peut ne pas fonctionner avec le nœud des auteurs. Chez moi, elle a fonctionné.
4. Téléchargez les composants communs : l’encodeur qwen_2.5_vl_7b.safetensors et clip_l.safetensors (dans text_encoders), hunyuan_video_vae_bf16.safetensors (dans vae), le VAE audio v1-44.pth de MMAudio et le vocodeur BigVGAN 44 kHz (dans audio_vae). Les adresses précises figurent dans le README du nœud.
5. Ouvrez Workflow, puis Browse Templates, ensuite kandinsky6 et sélectionnez « Text to Video+Audio » ou « Image to Video+Audio ».
6. Si vous désactivez l’extension de prompt, rédigez une description complète en anglais : qui fait quoi, caméra et lumière. Dans le second champ, décrivez les sons. Insérez les répliques parlées au format <S>texte<E>.

Sous Windows, lancez ComfyUI avec PYTHONUTF8=1. Sans ce réglage, les nœuds refusaient de se charger chez moi, car les journaux contenaient des caractères polonais. Vous trouverez un guide général d’installation dans mon article ComfyUI de zéro.

Kandinsky 6 face aux autres modèles vidéo ouverts

Pour une comparaison plus large des modèles vidéo ouverts, dont MAGI-2 et LTX-2.5, consultez mon article Modèles vidéo ouverts en 2026. Le récapitulatif des nouveautés d’octobre, avec les modèles d’image et de musique, se trouve dans l’article Nouveaux modèles d’IA locale.

La solution la plus simple : Hangar

Les deux versions de Kandinsky 6 figurent dans le catalogue de Hangar, mon gestionnaire gratuit de modèles locaux pour Windows, sans compte ni abonnement. Le catalogue propose les fichiers au format diffusers : 26,7 Go au total pour Lite distill et 80,6 Go pour Pro distill, dont 60,3 Go pour le transformer seul. Avec une carte de 24 Go, choisissez Lite : Pro ne fonctionne qu’en déportant une partie des poids vers la RAM. La licence MIT autorise l’usage commercial, y compris dans l’UE. Kandinsky nécessite dans Hangar un moteur dédié, qui est encore en préparation.

1. Téléchargez l’installateur de 14 Mo sur le site de Hangar. Il n’est pas encore signé numériquement : Windows SmartScreen affichera un avertissement. Cliquez sur « Plus d’informations », puis sur « Exécuter quand même ».
2. Hangar détecte la carte graphique (Nvidia avec CUDA, à partir de 8 Go de VRAM ; 12 Go ou plus sont préférables) et indique si le modèle peut y tenir.
3. Recherchez Kandinsky 6 Lite ou Pro dans le catalogue : vous verrez la taille des fichiers, la licence et si l’utilisation du modèle est autorisée dans l’UE.
4. Pour l’instant, générez les clips dans ComfyUI avec le nœud kandinsky6, en suivant les instructions ci-dessus. Hangar installe ComfyUI portable à partir de zéro (cela a pris 231 s chez moi) ou se connecte à votre installation existante.

Hangar propose le modèle dans son catalogue, mais la génération depuis Hangar ne fonctionne pas encore (état au 17 octobre 2026). Pour le moment, il faut passer par ComfyUI ; les instructions figurent plus haut. Présentation de l’outil : Hangar.

Questions fréquentes

Quelle quantité de VRAM faut-il pour Kandinsky 6 ?

Lite a utilisé un pic de 18,8 à 19,9 Go sur toute la carte en 864×480. Pro int8 a atteint 21,4 Go, mais uniquement parce que le reste des poids, environ 29 Go, était en RAM. Sur une carte de 16 Go, Lite devrait pouvoir fonctionner en transférant des données vers la RAM, au prix d’une vitesse réduite. Je déconseille Pro sans 64 Go de RAM et 24 Go de VRAM.

Kandinsky 6 parle-t-il polonais ?

Pro s’en sort plutôt bien : 7 mots sur 9 dans ma phrase, avec un « Bonjour » et un début de phrase sur les pommes clairement prononcés. Lite déforme la majeure partie de la phrase. Pour des répliques en polonais, choisissez Pro. Le test a été réalisé en polonais, pas en français.

Puis-je utiliser les clips à des fins commerciales ?

La licence MIT des poids et du code l’autorise et n’exclut aucun pays. À noter : la version int8 que j’ai utilisée vient d’un auteur indépendant et est sous licence Apache 2.0, qui autorise également l’usage commercial.

Comment créer un clip de plus de 5 secondes ?

Les modèles 6.0 sont entraînés sur des clips de 5 secondes (121 images). Le nœud permet de saisir un nombre d’images supérieur, mais je n’ai pas testé les clips plus longs et ne peux pas dire si leur qualité se maintient. Pour créer des scènes plus longues, assemblez plusieurs clips, par exemple en utilisant la dernière image du précédent comme image de départ en mode image vers vidéo.

Lite ou Pro ?

Choisissez Lite pour chercher des idées et tester des cadrages sans dialogue : il est plus de 3 fois plus rapide. Pro convient mieux aux scènes finalisées avec dialogue et aux plans à l’allure cinématographique.

Sources

• Kandinsky 6.0 Lite distill sur Hugging Face (fiche du modèle, licence MIT)
• kandinskylab/kandinsky-6 sur GitHub (code et nœud ComfyUI)
• Rapport technique Kandinsky 6.0 Video (arXiv)
• Kandinsky 6.0 Pro distill int8 (kabachuha)
• Mesures réalisées sur RTX 4090, le 17 octobre 2026.

// lire la suiteFLUX 3 Video : prix API, classement et test completBenchmarksAmazon Prime Video lance une synchronisation labiale par IA pour les doublagesActualitésModèles vidéo ouverts 2026 : MAGI-2 vs Wan vs LTX vs H3Benchmarks