Kandinsky 6.0 Video: test su RTX 4090, Lite e Pro

👁 116 letture

Kandinsky 6.0 Video è un modello aperto che genera in un solo passaggio un clip di 5 secondi con audio: parlato, effetti sonori e musica. Kandinsky Lab lo ha pubblicato il 6 ottobre 2026 con licenza MIT, che consente anche l’uso commerciale. Ho provato entrambe le versioni, Lite (3B) e Pro (29B), su una RTX 4090 con ComfyUI. Lite genera un clip in circa 2 minuti, Pro in circa 6,5. Pro pronuncia correttamente una frase in inglese; in una frase polacca ne ha riprodotte 7 parole su 9. Il test del parlato è stato eseguito in polacco, non in italiano.

Che cos’è Kandinsky 6.0 Video

Kandinsky è una famiglia di modelli di Sber, azienda russa, sviluppata da Kandinsky Lab. La versione 6.0 è il primo modello aperto della famiglia a generare contemporaneamente immagini e audio. Al suo interno ci sono due flussi, video e audio, collegati in modo che il rumore udibile di un’onda coincida con il fotogramma in cui l’onda si infrange sulla roccia. Il modello sincronizza anche il movimento delle labbra con il parlato.

Secondo il rapporto degli autori, Pro supera il modello aperto LTX-2.5 nella maggior parte delle metriche del benchmark VABench; Gearbrain scrive che, tra i modelli aperti, è superato soltanto da MiniMax H3. Si tratta di misurazioni degli autori e di valutazioni pubblicate: ho voluto verificare come si comporta sul mio computer.

Il mio test su RTX 4090

Configurazione: RTX 4090 da 24 GB, 64 GB di RAM, Windows 11, ComfyUI 0.41.0, modelli salvati su un SSD collegato via USB. Impostazioni del template ufficiale: 10 passaggi, CFG 1, sampler PiFlow, 864×480, 121 fotogrammi. Ho disattivato l’espansore dei prompt, un modello separato Qwen 3.5 9B da 19 GB, e ho scritto direttamente descrizioni complete. Non ho attivato Super Resolution. Ho misurato il tempo dall’invio del lavoro al file MP4 salvato, compreso il caricamento dei modelli. La VRAM indica il picco dell’intera scheda rilevato con nvidia-smi.

Pro in versione int8 occupa 30,5 GB, quindi non entra nei 24 GB della scheda. ComfyUI mantiene parte dei pesi nella RAM e li trasferisce durante l’elaborazione: ha segnalato 29 GB «staged». Per questo Pro è oltre 3 volte più lento di Lite e richiede 64 GB di RAM.

Parlato: dice quello che ho scritto?

La frase da pronunciare si inserisce nella descrizione della scena tra i marcatori <S> e <E>. Ho analizzato ogni clip con Whisper large-v3 e confrontato la trascrizione con il testo. Il test originale del parlato è stato svolto in polacco: le frasi e le trascrizioni riportate qui sotto sono traduzioni delle versioni polacche testate, non test ripetuti in italiano.

Il materiale degli autori non menziona il polacco, ma Pro pronuncia quasi tutta la frase con un accento corretto. Perde parole brevi e alcune desinenze. Può bastare per una battuta breve in una pubblicità, ma non ancora per un dialogo più lungo in polacco.

I clip

Tutti i clip sono senza modifiche, con l’audio generato direttamente dal modello. Attiva l’audio.

Le mie osservazioni

• Pro sembra un fotogramma di un film. Aggiunge da solo le bande nere cinematografiche (2,39:1), usa una luce morbida e crea volti naturali. Lite ha un aspetto più «pubblicitario» e letterale.
• Lite segue meglio il prompt. Nella scena del faro ha generato un fascio di luce e spruzzi d’acqua; Pro ha creato un’inquadratura bella ma più tranquilla, senza fascio di luce né pioggia.
• L’audio è sincronizzato con le immagini in entrambe le versioni. Il brusio del mercato, il sibilo del montalatte e il fragore delle onde corrispondono a ciò che si vede. La musica di sottofondo richiesta nel prompt della barista si sente piano, come in un caffè.
• Le scritte nell’immagine sono incomprensibili, come in molti modelli video. Nel clip Lite sulla macchina del caffè è comparsa un’insegna illeggibile.

Come installare Kandinsky 6 in ComfyUI

1. Aggiorna ComfyUI alla versione 0.38 o successiva (io uso la 0.41).
2. In ComfyUI Manager cerca kandinsky6 (autore: kandinskylab) e installalo. Facoltativamente, aggiungi kandinsky6-sr per aumentare la risoluzione. Per l’installazione manuale, copia la cartella comfyui dal repository kandinskylab/kandinsky-6 in custom_nodes/kandinsky6 e installa requirements.txt con la versione di Python inclusa in ComfyUI.
3. Scarica il modello. Lite distill (6,4 GB) va in models/diffusion_models/Kandinsky-6.0-Lite-distill-5s-Diffusers/transformer/, insieme a config.json. La versione ufficiale Pro distill in bf16 occupa 60,3 GB; io ho usato la versione int8 (30,5 GB) dal repository kabachuha/Kandinsky-6.0-Pro-distill-5s-int8-convrot. L’autore di questa versione avverte che potrebbe non funzionare con il nodo degli autori. Nel mio caso ha funzionato.
4. Scarica anche i componenti condivisi: l’encoder qwen_2.5_vl_7b.safetensors e clip_l.safetensors (in text_encoders), hunyuan_video_vae_bf16.safetensors (in vae), l’audio VAE v1-44.pth di MMAudio e il vocoder BigVGAN a 44 kHz (in audio_vae). Gli indirizzi esatti sono nel README del nodo.
5. Apri Workflow, poi Browse Templates, quindi kandinsky6 e scegli «Text to Video+Audio» oppure «Image to Video+Audio».
6. Se disattivi l’espansore dei prompt, scrivi una descrizione completa in inglese: chi, cosa fa, camera, luce; nel secondo campo, descrivi i suoni. Inserisci le battute tra <S>testo<E>.

Su Windows, avvia ComfyUI con PYTHONUTF8=1. Senza questa impostazione, nel mio caso i nodi non si caricavano perché nei log comparivano caratteri polacchi. Per le istruzioni generali di installazione, leggi la guida ComfyUI da zero.

Kandinsky 6 a confronto con altri modelli video aperti

Per un confronto più ampio tra modelli video aperti, tra cui MAGI-2 e LTX-2.5, leggi Modelli video aperti 2026. La panoramica delle novità di ottobre, compresi i modelli per immagini e musica, è in Nuovi modelli AI locali.

Il modo più semplice: Hangar

Entrambe le versioni di Kandinsky 6 sono nel catalogo di Hangar, il mio gestore gratuito di modelli locali per Windows, senza account né abbonamento. Il catalogo riporta i file in formato diffusers: Lite distill occupa 26,7 GB complessivi, Pro distill 80,6 GB, di cui 60,3 GB per il solo transformer. Con una scheda da 24 GB scegli Lite: Pro funziona solo spostando parte dei pesi nella RAM. La licenza MIT consente l’uso commerciale anche nell’UE. Kandinsky richiede in Hangar un motore separato, ancora in fase di preparazione.

1. Scarica il programma di installazione da 14 MB dal sito di Hangar. Non è ancora firmato digitalmente, quindi Windows SmartScreen mostrerà un avviso: fai clic su «Ulteriori informazioni» e poi su «Esegui comunque».
2. Hangar rileva la scheda grafica (Nvidia con CUDA, da 8 GB di VRAM; consigliati almeno 12 GB) e indica se il modello può essere eseguito.
3. Cerca Kandinsky 6 Lite o Pro nel catalogo: vedrai le dimensioni dei file, la licenza e se il modello può essere usato nell’UE.
4. Per ora, genera i clip in ComfyUI con il nodo kandinsky6, seguendo le istruzioni qui sopra. Hangar installa ComfyUI portable da zero (nel mio caso ha impiegato 231 s) oppure collega un’installazione di ComfyUI già presente.

Hangar include il modello nel catalogo, ma la generazione tramite Hangar non è ancora disponibile (situazione al 17 ottobre 2026): per ora serve ComfyUI, come descritto sopra. Maggiori informazioni sullo strumento: Hangar.

Domande frequenti

Quanta VRAM serve per Kandinsky 6?

Nel mio test, Lite ha raggiunto un picco di 18,8-19,9 GB sull’intera scheda, a 864×480. Pro int8 ha usato 21,4 GB, ma solo perché il resto dei pesi, circa 29 GB, era nella RAM. Su schede da 16 GB Lite dovrebbe funzionare trasferendo parte dei dati nella RAM, ma più lentamente. Sconsiglio Pro senza 64 GB di RAM e 24 GB di VRAM.

Kandinsky 6 parla italiano?

Non l’ho testato in italiano. Nel mio test in polacco, Pro ha pronunciato correttamente 7 parole su 9, tra cui un chiaro «Buongiorno» e «Mele appena raccolte dal frutteto». Lite ha storpiato gran parte della frase. Per il parlato in polacco, scegli Pro.

Posso usare i clip a fini commerciali?

La licenza MIT dei pesi e del codice lo consente e non esclude paesi. La versione int8 che ho usato proviene da un autore indipendente ed è distribuita con licenza Apache 2.0, anch’essa compatibile con l’uso commerciale.

Come posso generare clip più lunghi di 5 secondi?

I modelli 6.0 sono addestrati su clip di 5 secondi (121 fotogrammi). Il nodo permette di inserire un numero maggiore di fotogrammi, ma non ho provato clip più lunghi e non so come regga la qualità. Per creare scene più lunghe si possono unire più clip, per esempio usando l’ultimo fotogramma come immagine iniziale nella modalità da immagine a video.

Meglio Lite o Pro?

Scegli Lite per esplorare idee e inquadrature senza parlato: è oltre 3 volte più veloce. Pro è più adatto a una scena finita con dialoghi e a inquadrature dall’aspetto cinematografico.

Fonti

• Kandinsky 6.0 Lite distill su Hugging Face (scheda del modello, licenza MIT)
• kandinskylab/kandinsky-6 su GitHub (codice e nodo ComfyUI)
• Rapporto tecnico su Kandinsky 6.0 Video (arXiv)
• Kandinsky 6.0 Pro distill int8 (kabachuha)
• Misurazioni personali su RTX 4090, 17 ottobre 2026.

// continua a leggereCosa sa fare Utopai X: 6 video di prova da Artificial AnalysisBenchmarkWan 3.0: test e recensione del modello video AI di AlibabaBenchmarkAgnes-Video-2.0-MoE: Sapiens AI rilascia i pesi open sourceNotizie