据 AI/TLDR 等聚合，十月四日前后 Kandinsky Lab 以 MIT 协议放出了 Kandinsky 6.0 Video：一族 3B 与 29B 参数的扩散模型，专门用来生成五秒左右的视频片段，并且不是「先出画再配音」——它在生成画面的同时同步合成 44kHz 的音频，还带口型对齐。在一堆只生成无声画面的开源视频模型里，把音频当一等生成目标一起做，是个明确的差异化动作。
为什么视频生成要连音频一起做？
视频和音频在真实世界里是绑定的：一个人开口，嘴型和声音必须对上；物体碰撞，画面和音效必须同帧。传统管线是视频扩散模型出无声画面，再接一个 TTS 或音效模型配音，两边各自为战，口型、节奏、临场感经常对不齐。Kandinsky 6.0 Video 的赌注是：把音频模态直接放进同一个扩散生成过程，让画面和声音在去噪的每一步里互相约束，出来的片段天生就是声画同步的。五秒的短片段长度，正是为了把这种跨模态一致性控制在模型 hold 得住的范围里。
3B 和 29B 两档，分别打什么场景？
3B 那档明显是为消费级显卡和本地部署准备的：参数量小到能在单卡上跑，适合快速出小样、做互动原型。29B 是质量档，走更高保真度的画面与音频。两档同源，意味着小模型验证创意、大模型出终稿，工作流可以串起来。MIT 协议则是它和很多闭源视频模型拉开的关键距离——权重随便拿、随便改、商用不传染，这对想把视频生成嵌进自己产品的团队非常友好。
开源音频视频一体生成，离真正能用还差什么？
五秒、44kHz、口型对齐，听上去很美，但要冷静看几个短板：时长一拉长，跨模态一致性和时序稳定性就会崩；音频目前更像是「和画面配套的环境声与人声」，离可控的配乐、精确的台词节奏还有距离；29B 的本地部署门槛也不低。它真正的价值，是验证了「声画一体扩散」这条路在开源侧走得通，给后面更长、更可控的模型打了样。对做短视频、虚拟人、互动内容的团队，这个权重值得先拉下来跑通管线。
去论坛讨论
前往 silicon-agi.com 论坛 参与讨论