Kandinsky 6.0 Video: Foundation Models for Synchronized Video and Audio Generation
Aggiunta all'archivio di AIChronos il (numero del 6 ottobre 2026 ricostruito)· fonte del · Team Kandinsky, Julia Agafonova, Bulat Akhmatov, Mikhail Aksyutin, Grigorii Alekseenko, Anastasia Aliaskina (Kandinsky Lab)
Kandinsky 6.0 Video è un family di foundation diffusion models progettati per la generazione sincronizzata di audio e video da testo o immagini. Il sistema utilizza una architettura dual-stream CrossDiT che connette uno stream video pre-addestrato con uno stream audio addestrato ex-novo tramite bidirectional cross-attention. La strategia di continuous pretraining preserva la fedeltà unimodale prima del supervised fine-tuning e della post-training basata su reinforcement learning, raggiungendo risoluzioni Full-HD a 44 kHz.
- Disponibilità in due varianti: Kandinsky 6.0 Video Lite (3B parametri) e Pro (29B parametri).
- Generazione di clip video da 5 secondi con audio sincronizzato, inclusi lip-sync precisi.
- Integrazione nativa di un modello super-resolution per l'upscaling a Full-HD (1920x1080).
- Superiorità nelle valutazioni umane rispetto al predecessore Kandinsky 5.0 Video Pro nella qualità del parlato.
- Open source completo con codice, checkpoint e diffusers integration rilasciati sotto licenza MIT.
Perché conta. ['Permette a sviluppatori di integrare generazione multimediale sincronizzata direttamente in pipeline locali senza dipendenze cloud costose.', "L'architettura CrossDiT offre un framework modulare per allineare temporalmente e semanticamente contenuti audio e video, utile per agenti AI che richiedono output multimediali coerenti."]
Vai alla fonte originale ↗ arXiv ↗
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.