Kandinsky 6.0 VideoをRTX 4090で実行：音声付き動画をローカル生成

👁 118閲覧数

Kandinsky 6.0 Videoは、音声付きの5秒動画を一度の処理で生成するオープンモデルです。音声には会話、環境音、音楽が含まれます。2026年10月6日にKandinsky Labが公開し、商用利用も認めるMITライセンスを採用しています。RTX 4090上のComfyUIでLite（3B）とPro（29B）の両方を実行したところ、Liteは約2分、Proは約6分半で動画を生成しました。Proは英語の文章を正確に話し、ポーランド語のテスト文では9語中7語を発話しました。

Kandinsky 6.0 Videoとは

Kandinskyは、ロシアのSberが開発するKandinsky Labのモデルシリーズです。6.0は、映像と音声を同時に生成する同シリーズ初のオープンモデルです。映像と音声の2つのストリームを連携させ、たとえば波が岩に当たる映像と、その瞬間に聞こえる波音を同期させます。そのため、会話に合わせた口の動きも生成できます。

開発元のレポートによると、ProはVABenchの大半の指標でオープンモデルのLTX-2.5を上回っています。また、Gearbrainはオープンモデルの中でMiniMax H3に次ぐと評価しています。いずれも開発元の測定や記事での評価なので、実際の動作を自分のPCで確かめました。

RTX 4090でのテスト結果

使用環境はRTX 4090（24GB）、RAM 64GB、Windows 11、ComfyUI 0.41.0です。モデルはUSB接続のSSDに保存しました。公式テンプレートの設定は10ステップ、CFG 1、PiFlowサンプラー、864×480、121フレームです。プロンプト拡張モデル（別モデルのQwen 3.5 9B、19GB）は無効にし、プロンプトは最初から詳細に書きました。Super Resolutionは使用していません。処理時間は、ジョブを送信してからMP4ファイルが保存されるまでを計測し、モデルの読み込み時間も含めています。VRAM使用量はnvidia-smiで確認したGPU全体のピーク値です。

Proのint8版は30.5GBあり、24GBのGPUには収まりません。ComfyUIは重みの一部をRAMに置き、処理中に読み込みます（「staged」として29GBを報告）。そのためProはLiteの3倍以上の時間がかかり、RAM 64GBが必要です。

音声テスト：入力した文章を話せるか

話させる文章は、シーンの説明に<S>と<E>のタグで囲んで入力します。生成した各クリップをWhisper large-v3にかけ、入力文と比較しました。以下は、ポーランド語で実施したテストの原文を日本語に訳した表示です。実際のテストではポーランド語を使用しており、日本語で再テストした結果ではありません。

開発元の資料にはポーランド語についての記載はありませんが、Proはアクセントも含めて、ほぼ全文を発話しました。短い語を落としたり、語尾を誤ったりすることはあります。ポーランド語の「miód（ハチミツ）」が「miech」のように聞こえるなど、長い会話にはまだ向きませんが、広告の短いセリフなら使えそうです。

生成クリップ

すべてモデルが生成した音声を含み、後処理はしていません。音声をオンにしてご覧ください。

使って気づいたこと

• Proは映画のワンシーンのような映像を作ります。2.39:1の黒いシネマスコープ風の帯を自動で加え、柔らかな光と自然な顔を表現します。Liteは広告風で、描写がより直接的です。
• Liteのほうがプロンプトに忠実です。灯台のシーンでは光の筋と水しぶきを表現しましたが、Proはきれいなものの、より穏やかな構図で、光の筋や雨はありませんでした。
• どちらも映像に合った音声を生成します。市場のざわめき、ミルクフォーマーの音、波の音が映像と一致していました。バリスタのプロンプトに含めたBGMも、カフェらしく控えめに聞こえます。
• 映像内の文字は判読できないことがあります。多くの動画生成モデルと同じで、Liteのクリップではコーヒーマシンに読めない看板のような文字が表示されました。

ComfyUIでKandinsky 6を使う方法

1. ComfyUIを0.38以降に更新します（テスト環境は0.41）。
2. ComfyUI Managerでkandinsky6を検索し、提供元がkandinskylabであることを確認してインストールします。必要に応じて、解像度を上げるkandinsky6-srも追加できます。手動の場合は、kandinskylab/kandinsky-6リポジトリのcomfyuiフォルダーをcustom_nodes/kandinsky6にコピーし、ComfyUI付属のPythonでrequirements.txtをインストールします。
3. モデルをダウンロードします。Lite distill（6.4GB）は、config.jsonとともにmodels/diffusion_models/Kandinsky-6.0-Lite-distill-5s-Diffusers/transformer/に配置します。公式のPro distill（bf16）は60.3GBです。今回使ったのは、リポジトリkabachuha/Kandinsky-6.0-Pro-distill-5s-int8-convrotにあるint8版（30.5GB）です。この版の作者は開発元のノードで動作しない可能性があると注意していますが、こちらの環境では動作しました。
4. 共通ファイルも取得します。エンコーダーqwen_2.5_vl_7b.safetensorsとclip_l.safetensorsはtext_encodersへ、hunyuan_video_vae_bf16.safetensorsはvaeへ配置します。さらに、MMAudioの音声VAEv1-44.pthと、44kHzのBigVGAN vocoderをaudio_vaeに配置します。詳しいリンクはノードのREADMEにあります。
5. Workflowを開き、Browse Templatesからkandinsky6を選び、「Text to Video+Audio」または「Image to Video+Audio」を選択します。
6. プロンプト拡張を無効にする場合は、人物、動作、カメラ、照明、音声の内容を英語で詳しく記述します。話させるセリフは<S>テキスト<E>の形式で入力します。

Windowsでは、PYTHONUTF8=1を設定してComfyUIを起動してください。設定しないと、ログにポーランド語の文字が現れてノードを読み込めないことがありました。ComfyUIの基本的な導入方法はComfyUIの始め方で紹介しています。

ほかのオープン動画生成モデルとの比較

MAGI-2やLTX-2.5を含むオープン動画生成モデルの比較は、2026年のオープン動画生成モデルで紹介しています。画像や音楽も含めた10月の新モデル一覧は、新しいローカルAIモデルをご覧ください。

手軽に使うならHangar

Kandinsky 6の両バージョンは、Windows向けの無料ローカルモデル管理ツール「Hangar」のカタログにあります。アカウントやサブスクリプションは不要です。カタログに掲載されているdiffusers形式のファイルは、Lite distillが合計26.7GB、Pro distillが80.6GBで、そのうちtransformerだけで60.3GBです。24GBのGPUではLiteを選ぶのがおすすめです。Proは重みの一部をRAMに移す必要があります。ライセンスはMITで、EUを含め商用利用できます。HangarでKandinskyを動かすには専用エンジンが必要で、現時点では準備中です。

1. Hangarのページから14MBのインストーラーをダウンロードします。まだデジタル署名がないため、Windows SmartScreenの警告が表示されたら「詳細情報」をクリックし、「実行」を選びます。
2. HangarがGPUを検出します。対象はCUDA対応のNvidia GPUで、VRAMは8GB以上、できれば12GB以上です。モデルが動作するかどうかも表示されます。
3. カタログでKandinsky 6 LiteまたはProを探すと、ファイルサイズ、ライセンス、EUでの利用可否を確認できます。
4. 現時点では、上記の手順に従いComfyUIのkandinsky6ノードで生成します。HangarからComfyUI portableを新規セットアップすることもできます（こちらの環境では231秒）。すでに使っているComfyUIを接続することも可能です。

Hangarのカタログにはモデルがありますが、Hangar経由の生成にはまだ対応していません（2026年10月17日時点）。現時点では上記のとおりComfyUIを使います。ツールの概要はHangarをご覧ください。

よくある質問

Kandinsky 6に必要なVRAMはどのくらいですか？

864×480でのテストでは、LiteはGPU全体でピーク18.8〜19.9GB、Pro int8は21.4GBでした。Proの残りの重み（約29GB）はRAMに置いています。VRAM 16GBのGPUでもLiteをRAMに一部移せば動く可能性がありますが、遅くなります。ProはRAM 64GBとVRAM 24GBがない環境ではおすすめしません。

Kandinsky 6はポーランド語を話せますか？

Proは比較的よく話し、テストしたポーランド語の文章では9語中7語を発話しました。ポーランド語原文の翻訳として「こんにちは」や「農園直送のリンゴ」は明瞭でした。Liteは文章の大半を誤りました。ポーランド語のセリフを使うならProが適しています。なお、テストはポーランド語で実施しており、日本語での性能を示すものではありません。

生成した動画を商用利用できますか？

モデルの重みとコードのMITライセンスは商用利用を認めており、国ごとの除外もありません。今回使用したint8版は独立した作者によるもので、Apache 2.0ライセンスです。こちらも商用利用できます。

5秒より長い動画を作れますか？

6.0のモデルは5秒（121フレーム）の動画で学習しています。ノードではフレーム数を増やせますが、長い動画はテストしていないため、品質が保たれるかは分かりません。長いシーンを作る場合は、複数のクリップをつなげる方法があります。たとえば、Image to Videoで前のクリップの最後のフレームを開始画像にします。

LiteとProのどちらを選ぶべきですか？

音声を使わずにアイデアや構図を試すなら、3倍以上速いLiteが便利です。会話付きの完成シーンや、映画のような映像を作りたい場合はProが向いています。

出典

• Hugging FaceのKandinsky 6.0 Lite distill（モデルカード、MITライセンス）
• GitHubのkandinskylab/kandinsky-6（コードとComfyUIノード）
• Kandinsky 6.0 Video技術レポート（arXiv）
• Kandinsky 6.0 Pro distill int8（kabachuha）
• RTX 4090での独自測定、2026年10月17日。

// 続きを読むGPT-6.1 Solの料金・使い方・実測テスト結果ベンチマークKandinsky 6とWan 2.2でAIインフルエンサー動画をローカル生成ベンチマーク物理の問題に強いAIは？Gemini、ChatGPTを鉛直投げ上げで検証ベンチマーク