Influencer AI che parla: Kandinsky 6 e Wan 2.2

👁 112 letture

Ho creato cinque influencer AI a partire da immagini (ne parlo nel test Influencer AI senza effetto plastica) e ora le ho animate. A ciascuna ho fatto recitare una frase in un video verticale di cinque secondi, come una storia registrata con il telefono. Ho generato i video in locale su RTX 4090 con tre modelli: Kandinsky 6.0 Lite e Pro, che producono anche l’audio, e Wan 2.2 5B, che genera solo le immagini. Movimenti e volti sembrano quelli di vere storie girate con il telefono. La voce in polacco resta il punto debole: con il modello migliore, Whisper ha riconosciuto in media il 65% delle parole.

Come ho fatto il test

1. Ho usato un selfie di ciascun personaggio generato con FLUX.2 Klein 4B: nel test delle immagini era il modello dall’aspetto più naturale e ha una licenza Apache 2.0.
2. Per ogni personaggio ho scritto una frase di 7-10 parole e una breve descrizione dell’azione e dei suoni di sottofondo.
3. Per Kandinsky ho usato la foto come primo fotogramma, una descrizione della scena con la battuta racchiusa tra <S>...<E> e una descrizione audio separata. Per Wan ho usato la stessa descrizione, ma senza audio.
4. Formato 480×864 per Kandinsky e 544×960 per Wan, 121 fotogrammi, cioè 5 secondi.
5. Ho analizzato con Whisper large-v3 il parlato di ogni clip e contato quante parole della battuta si riuscivano a sentire.

Questo è il prompt usato per il video. La frase visualizzata qui è la traduzione italiana del testo polacco usato nel test: la prova è stata condotta in polacco, non in italiano.

Video verticale in stile selfie girato con lo smartphone: la donna dell’immagine di riferimento, con lo stesso volto e gli stessi vestiti, nello stesso luogo. Alcune ciocche le svolazzano sul viso; sorride, guarda la fotocamera del telefono e dice in polacco: <S>C’è un vento fortissimo, ma il lago Morskie Oko ci aspetta. Andiamo!<E> Movimento naturale della fotocamera tenuta in mano, aspetto realistico, senza filtri.

Audio: forte vento di montagna, la sua voce energica

Le clip: 5 personaggi, 3 modelli

Per ogni personaggio trovi tre clip, nell’ordine: Kandinsky Pro, Kandinsky Lite, Wan 2.2. Le clip di Kandinsky hanno l’audio generato dal modello; quelle di Wan sono mute. Le frasi e le trascrizioni riportate sotto sono traduzioni in italiano del materiale di prova originale in polacco. Anche i risultati di riconoscimento si riferiscono all’audio polacco testato.

Kasia, runner di Danzica: «Dieci chilometri prima di colazione. Chi corre con me domani?»

Amara, food blogger di Breslavia: «Oggi pierogi con riso jollof. Sembra strano, ma è buonissimo!»

Halina, appassionata di giardinaggio di Łódź: «Quest’anno le carote sono cresciute bene. Vi aspetto nell’orto!»

Mei, recensora tech di Cracovia: «Sto provando delle nuove cuffie. La recensione arriva domani sul canale.»

Zofia, guida di Zakopane: «C’è un vento fortissimo, ma il lago Morskie Oko ci aspetta. Andiamo!»

Voce in polacco: risultati del test

Le frasi nella tabella sono traduzioni in italiano delle battute originali in polacco. I test vocali sono stati eseguiti in polacco, non in italiano.

Pro pronuncia le frasi in polacco meglio di Lite in media, ma non in ogni clip: per la guida di Zakopane, Lite ha ottenuto l’88% e Pro il 38%. Nessun modello è impeccabile. Spesso si inceppa sulle parole con suoni difficili e sui nomi insoliti come «jollof rice». Le frasi brevi e semplici funzionano meglio: nella battuta sul vento e Morskie Oko, Lite ha parlato quasi senza errori. Per le storie di Instagram, dove spesso si aggiungono comunque i sottotitoli, Pro può bastare. Per i discorsi più lunghi è meglio generare a parte una voce AI e aggiungerla al video.

Confronto tra i modelli

* Una clip Pro ha richiesto 40 minuti perché in quel momento un altro programma stava usando la GPU. Ho misurato tutti i tempi mentre la scheda era parzialmente occupata. Con la scheda libera, le clip precedenti di Kandinsky Lite richiedevano circa 2 min e quelle di Pro circa 6,5 min (test di Kandinsky 6.0 in locale).

Cosa ha funzionato e cosa no

• Il volto resta fedele alla foto. Tutti e tre i modelli hanno mantenuto lentiggini, occhiali, acconciature e vestiti del primo fotogramma. Solo nella clip di Wan la runner sembra un po’ più giovane verso la fine.
• Movimenti da video girato con il telefono. La fotocamera oscilla leggermente, una mano sistema i capelli, gli occhi si stringono al sole. Nessuno posa come in una pubblicità.
• Gesti strani. Nella clip di Wan, la food blogger porta un pierogi con il cucchiaio quasi fino al naso. La recensora tech, davanti allo specchio, quasi non si muove.
• Parole in polacco. Nella clip Lite, «pierogi» è diventato un termine volgare. Prima di pubblicare una clip, ascoltala fino alla fine.

Come replicare il test

1. Crea l’immagine del personaggio seguendo le indicazioni del test Influencer AI senza effetto plastica.
2. Installa Kandinsky 6 in ComfyUI (trovi le istruzioni nel test di Kandinsky 6.0 in locale) e apri il modello «Image to Video+Audio».
3. Carica la foto con «Load Image», imposta larghezza 480 e altezza 864, porta enabled su false in «Beautify Prompt» e inserisci la descrizione con la battuta tra <S>...<E>.
4. Scrivi frasi brevi, di 6-10 parole, senza nomi stranieri. Genera 2-3 versioni e scegli quella in cui si sentono tutte le parole.
5. Usa Wan 2.2 5B con il modello «Wan 2.2 5B ti2v» se vuoi una clip senza parlato, per esempio da accompagnare con la musica.

Ricordati di indicare che il contenuto è generato con l’AI. Ho descritto le regole nella sezione dedicata del test delle immagini.

Domande frequenti

Si può creare gratis un’influencer AI che parla?

Sì, in locale. Kandinsky 6.0 (MIT) e Wan 2.2 (Apache 2.0) sono gratuiti e consentono l’uso commerciale. Serve una scheda NVIDIA con 24 GB di VRAM. Kandinsky Pro richiede anche 64 GB di RAM.

Quale modello parla meglio in polacco?

Kandinsky 6.0 Pro: nei miei cinque video ha raggiunto una media del 65% delle parole. Lite ha ottenuto il 57%. Wan 2.2 non genera audio.

Quanto possono durare i video?

I modelli sono addestrati per clip di 5 secondi. Per creare una storia più lunga, puoi unire più clip usando l’ultimo fotogramma della precedente come punto di partenza della successiva.

Quanto tempo ci vuole?

Su RTX 4090, circa 1,5 min con Lite o Wan e fino a circa 7 min con Pro per una clip di 5 secondi.

Fonti

• Kandinsky 6.0 su Hugging Face (licenza MIT)
• Wan 2.2 TI2V 5B su Hugging Face (licenza Apache 2.0)
• Test personale su RTX 4090, 17 ottobre 2026: 15 clip, Whisper large-v3.

// continua a leggereGemini Omni 1.2: movimenti di camera, volo FPV e rotazioniBenchmarkHoneypot per agenti AI: il test per il rispetto dello scopeBenchmarkTest IA indipendenti: Laboratorio NitidoBenchmark

Kinetyra