Kandinsky 6.0 Video lokal: Test auf der RTX 4090

👁 127 Aufrufe

Kandinsky 6.0 Video ist ein offenes Modell, das in einem Durchlauf einen fünfsekündigen Clip samt Ton erzeugt: Sprache, Geräusche und Musik. Das Kandinsky Lab hat es am 6. Oktober 2026 unter der MIT-Lizenz veröffentlicht, die auch kommerzielle Nutzung erlaubt. Ich habe beide Varianten, Lite (3B) und Pro (29B), auf einer RTX 4090 mit ComfyUI ausprobiert. Lite rendert einen Clip in etwa zwei Minuten, Pro in rund 6,5 Minuten. Pro spricht einen englischen Satz fehlerfrei und gibt im polnischen Sprachtest 7 von 9 Wörtern wieder.

Was ist Kandinsky 6.0 Video?

Kandinsky ist eine Modellfamilie des russischen Unternehmens Sber, die vom Kandinsky Lab entwickelt wird. Version 6.0 ist das erste offene Modell der Familie, das Bild und Ton gleichzeitig erzeugt. Im Modell arbeiten zwei miteinander verbundene Datenströme für Video und Audio. So fällt etwa das hörbare Brechen einer Welle mit dem Bild zusammen, in dem sie auf einen Felsen trifft. Das Modell synchronisiert deshalb auch Lippenbewegungen mit Sprache.

Dem Bericht der Entwickler zufolge übertrifft Pro das offene Modell LTX-2.5 bei den meisten Messwerten des VABench-Tests. Das Magazin Gearbrain schreibt, dass es unter den offenen Modellen nur MiniMax H3 unterlegen sei. Da es sich um Messungen der Entwickler und deren Besprechungen handelt, habe ich das Modell auf meinem Rechner selbst ausprobiert.

Mein Test auf der RTX 4090

System: RTX 4090 mit 24 GB VRAM, 64 GB RAM, Windows 11, ComfyUI 0.41.0; die Modelle lagen auf einer SSD über USB. Einstellungen aus der offiziellen Vorlage: 10 Schritte, CFG 1, PiFlow-Sampler, 864 × 480 Pixel, 121 Bilder. Den Prompt-Erweiterer, ein separates Qwen-3.5-9B-Modell mit 19 GB, hatte ich deaktiviert und die Beschreibungen direkt vollständig formuliert. Super Resolution war ausgeschaltet. Die Zeitmessung lief vom Absenden des Auftrags bis zur gespeicherten MP4-Datei, einschließlich des Ladens der Modelle. Der VRAM-Wert ist der Spitzenwert der gesamten Grafikkarte laut nvidia-smi.

Pro in der int8-Version ist 30,5 GB groß und passt daher nicht vollständig in den 24-GB-Speicher der Grafikkarte. ComfyUI hält einen Teil der Gewichte im Arbeitsspeicher und lädt sie während der Verarbeitung nach; gemeldet wurden 29 GB „staged“. Deshalb ist Pro mehr als dreimal langsamer als Lite und benötigt 64 GB RAM.

Sprache: Gibt das Modell den eingegebenen Text wieder?

Der zu sprechende Satz kommt in der Szenenbeschreibung zwischen die Markierungen <S> und <E>. Ich habe jeden Clip mit Whisper large-v3 transkribiert und mit der Vorlage verglichen. Der polnische Sprachtest wurde tatsächlich auf Polnisch durchgeführt. Die folgenden deutschen Fassungen der polnischen Vorlage und Transkription sind Übersetzungen des getesteten Materials, keine neuen Tests auf Deutsch.

Obwohl die Materialien der Entwickler Polnisch nicht erwähnen, spricht Pro fast den ganzen Satz mit passendem Akzent. Kleine Wörter wie „z“ („aus“) und Wortendungen gehen verloren; „miech“ statt „miód“ („Honig“) ist ein Beispiel. Für einen kurzen Werbesatz reicht das, für längere Dialoge auf Polnisch noch nicht.

Die Clips

Alle Clips sind unbearbeitet und enthalten den direkt vom Modell erzeugten Ton. Schalten Sie die Lautsprecher ein.

Was mir aufgefallen ist

• Pro sieht aus wie ein Filmstill. Das Modell fügt selbst schwarze Kinobalken im Format 2,39:1 hinzu, erzeugt weiches Licht und natürliche Gesichter. Lite wirkt eher wie Werbung und setzt Vorgaben wörtlicher um.
• Lite hält sich besser an die Beschreibung. Beim Leuchtturm erzeugte es einen Lichtstrahl und spritzendes Wasser. Pro lieferte ein schönes, aber ruhigeres Bild ohne Lichtstrahl und Regen.
• Der Ton passt bei beiden Varianten zum Bild. Marktgeräusche, das Zischen des Milchaufschäumers und brechende Wellen passen zum Gezeigten. Die in der Barista-Beschreibung gewünschte Hintergrundmusik ist leise zu hören, wie in einem Café.
• Schrift im Bild ist unleserlich, wie bei den meisten Videomodellen. Auf der Kaffeemaschine im Lite-Clip erscheint ein unverständliches Schild.

Kandinsky 6 in ComfyUI installieren

1. Aktualisieren Sie ComfyUI auf Version 0.38 oder neuer; bei mir läuft Version 0.41.
2. Suchen Sie im ComfyUI Manager nach kandinsky6 (Herausgeber: kandinskylab) und installieren Sie den Knoten. Optional können Sie kandinsky6-sr zum Hochskalieren ergänzen. Für die manuelle Installation kopieren Sie den Ordner comfyui aus dem Repository kandinskylab/kandinsky-6 nach custom_nodes/kandinsky6 und installieren requirements.txt mit der Python-Version von ComfyUI.
3. Laden Sie das Modell herunter. Lite distill (6,4 GB) kommt zusammen mit config.json in models/diffusion_models/Kandinsky-6.0-Lite-distill-5s-Diffusers/transformer/. Die offizielle Pro-distill-Version in bf16 ist 60,3 GB groß. Ich verwendete eine int8-Version mit 30,5 GB aus dem Repository kabachuha/Kandinsky-6.0-Pro-distill-5s-int8-convrot. Ihr Autor weist darauf hin, dass sie möglicherweise nicht mit dem Knoten der Entwickler funktioniert. Bei mir lief sie.
4. Laden Sie die gemeinsamen Komponenten herunter: den Encoder qwen_2.5_vl_7b.safetensors und clip_l.safetensors für text_encoders, hunyuan_video_vae_bf16.safetensors für vae, das Audio-VAE v1-44.pth von MMAudio sowie den BigVGAN-Vocoder mit 44 kHz für audio_vae. Die genauen Download-Adressen stehen in der README-Datei des Knotens.
5. Öffnen Sie Workflow, dann Browse Templates und anschließend kandinsky6. Wählen Sie „Text to Video+Audio“ oder „Image to Video+Audio“.
6. Wenn Sie den Prompt-Erweiterer ausschalten, schreiben Sie eine vollständige Beschreibung auf Englisch: Person oder Objekt, Handlung, Kamera und Licht; in einem zweiten Feld, was zu hören ist. Gesprochene Sätze kommen zwischen <S> und <E>.

Starten Sie ComfyUI unter Windows mit PYTHONUTF8=1. Ohne diese Einstellung ließen sich die Knoten bei mir nicht laden, weil in den Protokollen polnische Zeichen auftauchten. Eine allgemeine Anleitung zur Installation finden Sie im Beitrag ComfyUI von Grund auf einrichten.

Kandinsky 6 im Vergleich zu anderen offenen Videomodellen

Ein ausführlicherer Vergleich offener Videomodelle, darunter MAGI-2 und LTX-2.5, steht im Beitrag Offene Videomodelle 2026. Eine Übersicht der Neuheiten im Oktober zu Bild, Video und Musik finden Sie unter Neue lokale KI-Modelle.

Der einfachste Weg: Hangar

Beide Kandinsky-6-Varianten stehen im Katalog von Hangar, meinem kostenlosen Manager für lokale Modelle unter Windows, ohne Konto und Abonnement. Der Katalog listet Dateien im Diffusers-Format: Lite distill ist insgesamt 26,7 GB groß, Pro distill 80,6 GB, davon entfallen 60,3 GB auf den Transformer. Für eine Grafikkarte mit 24 GB eignet sich Lite; Pro funktioniert nur, wenn Teile in den Arbeitsspeicher ausgelagert werden. Die MIT-Lizenz erlaubt kommerzielle Nutzung auch in der EU. Kandinsky benötigt in Hangar eine eigene Engine, an der noch gearbeitet wird.

1. Laden Sie den 14 MB großen Installer von der Hangar-Seite herunter. Er ist noch nicht digital signiert. Windows SmartScreen zeigt daher eine Warnung an: Klicken Sie auf „Weitere Informationen“ und dann auf „Trotzdem ausführen“.
2. Hangar erkennt die Grafikkarte (Nvidia mit CUDA, ab 8 GB VRAM, empfohlen sind 12 GB oder mehr) und zeigt an, ob das Modell darauf Platz findet.
3. Suchen Sie im Katalog nach Kandinsky 6 Lite oder Pro. Dort sehen Sie Dateigröße, Lizenz und ob das Modell in der EU verwendet werden darf.
4. Erzeugen Sie die Clips vorerst mit ComfyUI und dem Knoten kandinsky6, wie oben beschrieben. Hangar richtet ComfyUI Portable neu ein (bei mir dauerte das 231 Sekunden) oder verbindet sich mit einer vorhandenen ComfyUI-Installation.

Hangar führt das Modell im Katalog, die Generierung über Hangar funktioniert aber noch nicht (Stand: 17. Oktober 2026). Verwenden Sie vorerst ComfyUI, wie oben beschrieben. Mehr über das Tool erfahren Sie auf der Seite Hangar.

Häufige Fragen

Wie viel VRAM benötigt Kandinsky 6?

Lite belegte bei mir bei 864 × 480 Pixeln bis zu 18,8-19,9 GB des Grafikkartenspeichers. Pro in int8 benötigte 21,4 GB, allerdings lagen die übrigen Gewichte (etwa 29 GB) im RAM. Auf Karten mit 16 GB VRAM sollte Lite mit Auslagerung in den Arbeitsspeicher laufen, aber langsamer. Pro empfehle ich ohne 64 GB RAM und 24 GB VRAM nicht.

Spricht Kandinsky 6 Polnisch?

Pro schlägt sich recht gut: Es gab 7 von 9 Wörtern meines polnischen Testsatzes wieder, darunter deutlich „Guten Tag“ (Übersetzung des polnischen Originals) und „fehlerhafter Schriftzug im ursprünglichen polnischen Test“. Lite verfälschte den Großteil des Satzes. Für gesprochene polnische Dialoge sollten Sie Pro wählen. Der Test wurde auf Polnisch durchgeführt, nicht auf Deutsch.

Darf ich die Clips kommerziell nutzen?

Die MIT-Lizenz für Modellgewichte und Code erlaubt die kommerzielle Nutzung und schließt keine Länder aus. Die von mir verwendete int8-Version stammt von einem unabhängigen Entwickler und steht unter der Apache-2.0-Lizenz, die kommerzielle Nutzung ebenfalls erlaubt.

Wie erzeuge ich einen Clip, der länger als fünf Sekunden ist?

Die Modelle der Version 6.0 wurden mit fünf Sekunden (121 Bildern) trainiert. Der Knoten erlaubt eine höhere Bildanzahl, aber längere Clips habe ich nicht getestet und kann daher nicht beurteilen, wie gut die Qualität bleibt. Längere Szenen lassen sich aus mehreren Clips zusammensetzen, etwa indem Sie das letzte Bild als Startbild für den Modus „Bild zu Video“ verwenden.

Lite oder Pro?

Lite eignet sich zum Suchen nach Ideen und Bildausschnitten ohne Sprache, denn die Variante ist mehr als dreimal schneller. Pro ist die bessere Wahl für fertige Szenen mit Dialog und für Aufnahmen mit filmischer Wirkung.

Quellen

• Kandinsky 6.0 Lite distill auf Hugging Face (Modellkarte, MIT-Lizenz)
• kandinskylab/kandinsky-6 auf GitHub (Code und ComfyUI-Knoten)
• Technischer Bericht zu Kandinsky 6.0 Video (arXiv)
• Kandinsky 6.0 Pro distill int8 (kabachuha)
• Eigene Messungen auf einer RTX 4090, 17. Oktober 2026.

// weiterlesenNemotron 3.5 Super VL vs Step 5: Gewichte, Lizenzen & TestBenchmarksCOPEX: Wie anfällig sind Sprachmodelle in MCP-Systemen?BenchmarksLiquid AI d1-ultra: Spitzenreiter im Decision Index im TestBenchmarks