Kandinsky 6.0公開！3BのLiteも音声付き動画を生成、ComfyUI対応とRTX 4090の速度

まず結論：映像と音声を同時に作る動画生成AI

2026年10月6日、Kandinsky LabがKandinsky 6.0 Videoをオープンソース公開しました。最大の特徴は映像と同期した音声を同時に生成できること。効果音を後から別ツールで付けるのとは違い、動画と音声の関係を一緒に扱います。

ラインアップはLite（3B）とPro（29B）。どちらも5秒の動画と44kHzの同期音声に対応し、口の動きと音を合わせるリップシンクも可能とされています。

😺「音まで同時に出るの？じゃあ3Bなら一瞬で作れる？」

🐈‍⬛「そこは別の話。RTX 4090の公式測定を見ると、軽量版でも数分かかるんだ」

テキストから動画と音声を作るT2AV、画像から動画と音声を作るTI2AVに対応。別の超解像モデルでFull HD化する構成も公開されています。推論ステップを減らす蒸留版も用意されていますが、通常版と同じ画質・速度を保証するものではありません。

公式GitHubにはComfyUI向けの拡張が用意されています。開発元の手順では、ComfyUI Managerから kandinsky6 と kandinsky6-sr を導入して再起動します。

ただし、既存の動画生成ワークフローへモデルを1個置くだけではありません。依存ライブラリやCUDA環境、VRAM使用量の確認が必要です。Rossy Laboratoryで実機生成した結果ではなく、開発元の公開情報を整理した記事です。

開発元は、5秒の動画を通常版で生成した際のRTX 4090測定値を公開しています。

測定はウォームアップ後で、モデル読み込みとMP4エンコードは含まれません。開発元のブロックオフロードとSageAttentionの設定での値であり、すべての環境で再現する保証はありません。

つまり、3BのLiteでも5秒の動画に数分かかる場合があるということ。モデル規模の小ささと生成時間の短さは、必ずしも同じではないんだね。

公式CLIはNVIDIA GPUとPython 3.13または3.14を前提にしています。Ada世代などのGPUではSageAttentionのビルドも案内されているため、導入の難易度は環境次第。24GB VRAMなら全モデルが確実に動くとは断定できません。

最初は公式のGitHubで最新の導入方法を確認し、Liteモデルカードからライセンスや配布内容を確認するとよいでしょう。

Kandinsky 6.0は、音声付き動画をローカル生成したい人にとって注目の新モデルです。LiteとPro、ComfyUI対応、公式のGPU測定値までそろっているのが魅力。一方で必要VRAMや実行時間は構成に依存します。まずは5秒動画の生成条件を理解するところから始めましょう。