行业资讯 · 2026-10-06
开源音视频生成大模型Kandinsky 6.0 Video发布 支持同步文生音视频
优秘智能观察,开源生成模型团队发布Kandinsky 6.0 Video技术报告,支持同步生成带音频的全高清视频,为不同规模企业的AI内容生产降本增效提供新参考。
优秘智能观察:多模态生成技术的持续迭代,正在进一步降低企业音视频内容的生产门槛,为营销、运营、培训等多个场景的效率升级提供新的技术支撑。近日,开源生成模型团队Kandinsky在学术平台arXiv发布最新技术报告,推出支持音视频同步生成的新一代基础模型Kandinsky 6.0 Video,引发了内容生产领域的广泛关注。
模型核心能力亮点
作为Kandinsky 5.0 Video的迭代版本,本次发布的Kandinsky 6.0 Video首次实现了视频与音频的同步生成能力,包含两个参数规格的版本可适配不同部署需求,核心能力覆盖:
- 支持文本生成音视频(T2AV)、图片生成音视频(I2AV)两种模式,可输出5秒时长、44kHz高保真同步音频的视频内容,针对口播场景优化了唇形同步效果,画面与语音的匹配度大幅提升
- 内置超分辨率模型,无需额外调用工具即可直接输出1920×1080全高清分辨率成片,满足主流短视频平台的发布要求
- 采用双流CrossDiT架构,通过双向交叉注意力实现视频流与音频流的时序、语义双向对齐,经人工测评语音表现明显优于上一代版本,在同类开源模型中具备竞争力
- 代码、模型权重已通过MIT协议开源,支持开发者与企业根据自身需求进行二次开发与私有化部署,进一步降低了技术应用门槛
企业音视频内容生产的普遍痛点
在短视频成为企业获客、品牌触达核心载体的当下,不少企业在音视频内容生产环节普遍面临多重困境:
- 生产效率低:热点周期短,从创意策划到拍摄剪辑的传统流程往往需要数天时间,很难赶上热点流量窗口
- 人力成本高:专业主播、摄影、剪辑团队的人力投入成本高,中小团队往往难以承担长期稳定的内容产出需求
- 标准化难度大:不同团队产出的内容调性、质量参差不齐,连锁品牌、集团型企业很难实现全渠道内容的统一合规管理
- 个性化覆盖不足:针对不同客群、不同区域的个性化内容生产需求,传统模式很难实现低成本的批量定制
而Kandinsky 6.0 Video这类开源音视频生成技术的落地,恰好为这些痛点的解决提供了新的可行路径。
对企业经营的价值参考
该技术的开源落地,为不同规模的企业开展AI内容生产提供了新的技术选项,可适配多类经营场景的需求:
- 1人创业团队、小微商家、个体工商户可基于轻量化版本快速生成短视频素材,无需采购专业拍摄设备、租用场地,即可产出适配电商、本地生活平台的产品宣传、服务介绍类视频,大幅降低内容制作的人力、时间成本
- 成长型企业可结合自身品牌内容库微调模型,批量生成符合品牌调性的产品宣传、行业科普、客户答疑类口播视频,提升内容产出效率,覆盖更多内容平台与搜索关键词,拓宽获客触点
- 集团型企业可将该能力接入内部内容中台,为市场、运营、客服、培训等多部门提供标准化的音视频内容生产工具,统一品牌调性的同时,满足不同业务线的个性化内容需求,降低跨部门内容协作的成本
优秘智能点评
AI多模态生成技术的快速迭代,正在推动企业内容生产从「人工创意+人工执行」向「人工创意+AI落地」的模式转变,AI承担重复性的拍摄、剪辑、配音等工作,辅助团队提升效率,把人力从机械性劳动中解放出来,聚焦更高价值的创意策划与用户运营环节。
优秘智能旗下灵秘·数字人分身、营销智脑等产品,也已融合多模态生成能力:灵秘·数字人分身可1:1克隆真人形象与声音,AI批量生成数字人口播视频、网感短视频,支持智能剪辑与智能包装、一键追爆,让内容生产效率大幅提升;营销智脑基于「十大军师」架构,覆盖从获客、内容、成交到运营的营销全链路,可帮助团队连接内容、获客、跟进和复盘环节,把生成的音视频内容快速适配到不同的运营场景中。面向小微团队的超级数字员工系统,也可辅助完成内容策划、客户响应等日常营销工作,数字员工处理标准化步骤,负责人保留审批、承诺与最终发布权,兼顾效率与风险控制。
如需了解相关AI营销与内容生产解决方案,可前往优秘智能官网umi6.com咨询。