Kandinsky 6.0 Video: generar vídeo con audio en una RTX 4090

👁 116 lecturas

Kandinsky 6.0 Video es un modelo abierto que genera en una sola pasada un clip de 5 segundos con audio: voz, sonidos y música. El equipo Kandinsky Lab lo publicó el 6 de octubre de 2026 con licencia MIT, que también permite el uso comercial. He probado sus dos versiones, Lite (3B) y Pro (29B), en una RTX 4090 con ComfyUI. Lite genera un clip en unos 2 minutos y Pro, en unos 6,5. Pro pronuncia correctamente una frase en inglés y consigue decir 7 de las 9 palabras de una frase en polaco.

Qué es Kandinsky 6.0 Video

Kandinsky es una familia de modelos de Sber, de Rusia, desarrollada por Kandinsky Lab. La versión 6.0 es el primer modelo abierto de la familia que genera imagen y audio a la vez. Combina dos flujos, uno de vídeo y otro de audio, para que, por ejemplo, el sonido de una ola rompiendo coincida con el momento en que golpea la roca. Por eso el modelo también sincroniza los labios con el habla.

Según el informe de sus autores, Pro supera al modelo abierto LTX-2.5 en la mayoría de las métricas de la prueba VABench. Gearbrain señala que, entre los modelos abiertos, solo MiniMax H3 lo supera. Son mediciones de los autores y análisis de terceros, así que he comprobado cómo funciona en mi ordenador.

Mi prueba en una RTX 4090

Equipo: RTX 4090 de 24 GB, 64 GB de RAM, Windows 11, ComfyUI 0.41.0 y modelos en una unidad SSD conectada por USB. Usé los ajustes de la plantilla oficial: 10 pasos, CFG 1, sampler PiFlow, 864×480 y 121 fotogramas. Desactivé el ampliador de prompts, un modelo Qwen 3.5 9B de 19 GB, y escribí las descripciones directamente en su formato completo. No activé Super Resolution. Medí el tiempo desde el envío de la tarea hasta que se guardó el archivo MP4, incluida la carga de los modelos. La VRAM es el pico de uso de toda la tarjeta, medido con nvidia-smi.

La versión Pro int8 ocupa 30,5 GB, así que no cabe en una tarjeta de 24 GB. ComfyUI mantiene parte de los pesos en la RAM y los va transfiriendo durante la generación; indicó 29 GB «staged». Por eso Pro tarda más de 3 veces lo que Lite y necesita 64 GB de RAM.

Voz: ¿dice lo que he escrito?

La frase que debe pronunciarse se añade a la descripción de la escena entre las etiquetas <S> y <E>. Pasé cada clip por Whisper large-v3 y comparé la transcripción con el texto.

Aunque los materiales de los autores no mencionan el polaco, Pro pronuncia casi toda la frase con un acento correcto. Se deja palabras pequeñas como «z» y cambia terminaciones, por ejemplo, dice «miech» en vez de «miód». Puede bastar para una frase breve en un anuncio, pero todavía no para un diálogo más largo en polaco. La prueba de voz se hizo en polaco; el ejemplo traducido de arriba no se ha vuelto a probar en español.

Clips

Todos los clips están sin editar y tienen el audio generado directamente por el modelo. Activa el sonido.

Qué he observado

• Pro parece un fotograma de una película. Añade por su cuenta bandas negras de cine (2,39:1), iluminación suave y rostros naturales. Lite tiene un aspecto más publicitario y literal.
• Lite sigue mejor las instrucciones. En la escena del faro generó un haz de luz y salpicaduras de agua. Pro creó un plano bonito, pero más tranquilo, sin haz de luz ni lluvia.
• El audio de ambas versiones encaja con la imagen. El murmullo del mercado, el siseo del vaporizador y el golpe de las olas corresponden a lo que se ve. La música de fondo pedida en la escena de la barista suena discretamente, como en una cafetería.
• El texto en pantalla es ininteligible, como sucede con muchos modelos de vídeo. En el clip de Lite apareció un rótulo ilegible en la cafetera.

Cómo instalar Kandinsky 6 en ComfyUI

1. Actualiza ComfyUI a la versión 0.38 o posterior (yo uso la 0.41).
2. En ComfyUI Manager, busca kandinsky6 (publicado por kandinskylab) e instálalo. Si quieres aumentar la resolución, puedes añadir kandinsky6-sr. Para instalarlo manualmente, copia la carpeta comfyui del repositorio kandinskylab/kandinsky-6 en custom_nodes/kandinsky6 e instala requirements.txt con el Python de ComfyUI.
3. Descarga el modelo. Lite distill (6,4 GB) va en models/diffusion_models/Kandinsky-6.0-Lite-distill-5s-Diffusers/transformer/, junto con config.json. La versión oficial Pro distill en bf16 ocupa 60,3 GB. Yo usé la versión int8 (30,5 GB) del repositorio kabachuha/Kandinsky-6.0-Pro-distill-5s-int8-convrot. Su autor advierte que podría no funcionar con el nodo oficial. A mí me funcionó.
4. Descarga los componentes compartidos: el codificador qwen_2.5_vl_7b.safetensors y clip_l.safetensors (en text_encoders), hunyuan_video_vae_bf16.safetensors (en vae), el VAE de audio v1-44.pth de MMAudio y el vocoder BigVGAN de 44 kHz (en audio_vae). El README del nodo incluye los enlaces exactos.
5. Abre Workflow, después Browse Templates y, a continuación, kandinsky6. Elige «Text to Video+Audio» o «Image to Video+Audio».
6. Si desactivas el ampliador de prompts, escribe una descripción completa en inglés: quién aparece, qué hace, cámara e iluminación; en el segundo campo, describe el sonido. Añade las frases habladas entre <S>texto<E>.

En Windows, inicia ComfyUI con PYTHONUTF8=1. Sin esa variable, en mi caso los nodos no se cargaban porque aparecían caracteres polacos en los registros. Tienes una guía general de instalación en ComfyUI desde cero.

Kandinsky 6 frente a otros modelos de vídeo abiertos

En Modelos de vídeo abiertos en 2026 tienes una comparación más amplia, que incluye MAGI-2 y LTX-2.5. También puedes consultar Nuevos modelos de IA local, un resumen de las novedades de octubre en generación de imágenes, vídeo y música.

La opción más sencilla: Hangar

Las dos versiones de Kandinsky 6 aparecen en el catálogo de Hangar, mi gestor gratuito de modelos locales para Windows, sin cuenta ni suscripción. El catálogo muestra los archivos en formato diffusers: Lite distill ocupa 26,7 GB en total y Pro distill, 80,6 GB; solo el transformer de Pro ocupa 60,3 GB. Si tienes una tarjeta de 24 GB, elige Lite: Pro necesita descargar parte de los datos a la RAM. La licencia MIT permite el uso comercial en la UE. Kandinsky necesita un motor específico en Hangar que todavía está en preparación.

1. Descarga el instalador (14 MB) desde Hangar. Aún no tiene firma digital, así que Windows SmartScreen mostrará una advertencia: pulsa «Más información» y luego «Ejecutar de todas formas».
2. Hangar detecta la tarjeta gráfica (Nvidia con CUDA, desde 8 GB de VRAM; se recomiendan 12 GB o más) y muestra si el modelo cabe.
3. Busca Kandinsky 6 Lite o Pro en el catálogo para ver el tamaño de los archivos, la licencia y si se permite usar el modelo en la UE.
4. Por ahora, genera los vídeos en ComfyUI con el nodo kandinsky6, siguiendo las instrucciones anteriores. Hangar puede instalar ComfyUI portable desde cero (en mi caso tardó 231 s) o conectarse a una instalación que ya tengas.

Hangar incluye el modelo en su catálogo, pero la generación desde Hangar todavía no funciona (estado a 17 de octubre de 2026). Por ahora, hay que usar ComfyUI, como se explica arriba. Más información sobre la herramienta: Hangar.

Preguntas frecuentes

¿Cuánta VRAM necesita Kandinsky 6?

En mi prueba a 864×480, Lite alcanzó un máximo de 18,8-19,9 GB de VRAM en toda la tarjeta. Pro int8 llegó a 21,4 GB, pero solo porque el resto de los pesos (unos 29 GB) estaba en la RAM. Lite debería funcionar en tarjetas de 16 GB si se transfieren datos a la RAM, aunque más despacio. No recomiendo Pro sin 64 GB de RAM y 24 GB de VRAM.

¿Kandinsky 6 habla en polaco?

Pro se defiende bastante bien: acertó 7 de las 9 palabras de mi frase y pronunció con claridad «Buenos días» (traducción del original en polaco) y «Manzanas directo del huerto» (traducción del original en polaco). Lite alteró la mayor parte de la frase. Para frases habladas en polaco, elige Pro. La prueba se hizo en polaco, no en español.

¿Puedo usar los clips con fines comerciales?

La licencia MIT de los pesos y el código permite el uso comercial y no excluye ningún país. Ten en cuenta que la versión int8 que usé procede de un autor independiente y tiene licencia Apache 2.0, que también permite el uso comercial.

¿Cómo puedo generar un clip de más de 5 segundos?

Los modelos 6.0 se entrenaron con clips de 5 segundos (121 fotogramas). El nodo permite introducir más fotogramas, pero no he probado clips más largos y no sé cómo afecta eso a la calidad. Para crear escenas más largas, se pueden unir varios clips, por ejemplo, usando el último fotograma como imagen inicial en el modo de imagen a vídeo.

¿Lite o Pro?

Elige Lite para explorar ideas y encuadres sin diálogo: es más de 3 veces rápido. Pro es mejor para una escena terminada con diálogo y para planos con aspecto cinematográfico.

Fuentes

• Kandinsky 6.0 Lite distill en Hugging Face (ficha del modelo y licencia MIT)
• kandinskylab/kandinsky-6 en GitHub (código y nodo para ComfyUI)
• Informe técnico de Kandinsky 6.0 Video (arXiv)
• Kandinsky 6.0 Pro distill int8 (kabachuha)
• Mediciones propias en una RTX 4090, 17 de octubre de 2026.

// sigue leyendoAgnes Video 2.5: el generador de vídeo más barato del top 10Herramientas de IAHiDream-O1-Video en su API solo genera vídeo desde imagenNoticiasKandinsky 6 y Wan 2.2: vídeos con una influencer de IABenchmarks