Kandinsky 6.0 Video testi: RTX 4090’da sesli video
Kandinsky 6.0 Video, 5 saniyelik görüntüyü sesle birlikte üretiyor. RTX 4090’da Lite ve Pro sürümlerinin hızını, VRAM kullanımını ve konuşma kalitesini test ettim.
👁 116 okunma
Kandinsky 6.0 Video, tek seferde konuşma, ortam sesleri ve müzikle birlikte 5 saniyelik bir klip üreten açık bir model. Kandinsky Lab ekibi modeli 6 Ekim 2026’da, ticari kullanıma da izin veren MIT lisansıyla yayımladı. Her iki sürümü de Lite (3B) ve Pro (29B), ComfyUI üzerinde RTX 4090 ile çalıştırdım. Lite bir klibi yaklaşık 2 dakikada, Pro ise yaklaşık 6,5 dakikada üretiyor. Pro İngilizce cümleyi hatasız söylüyor; Lehçe cümledeyse 9 kelimenin 7’sini doğru çıkarıyor.
17 Ekim 2026 itibarıyla
- İki sürüm var: Lite (3 milyar parametre) ve Pro (29 milyar parametre). Her ikisinin de 10 adımlı “distill” sürümü bulunuyor.
- Çıktı: 5 saniye, 864×480, 24 kare/sn ve aynı üretim sürecinde 44 kHz ses. Ayrı bir model görüntüyü Full HD’ye yükseltiyor.
- RTX 4090’da ölçtüğüm süre: Lite klip başına 1:51-2:28 dk, Pro (int8) 6:18-6:52 dk.
- MIT lisansında ülke kısıtlaması yok; ticari kullanıma izin veriyor. MiniMax H3’te bu durum farklı.
- ComfyUI için modelin yazarlarının resmî “kandinsky6” düğümü mevcut; ComfyUI 0.38 veya daha yenisi gerekiyor.
Dizi: RTX 4090’da yerel yapay zekâ, 17 Ekim 2026 testleri
- Derleme: yeni yerel yapay zekâ modelleri (Ekim 2026)
- Yapay zekâ influencer’ı: 5 modelde 5 karakter
- Konuşan yapay zekâ influencer’ı: Lehçe sesli video
- FLUX 3 Image Klein: 7,5 GB VRAM, görüntü başına 6 sn
- Qwen-Image 2.1 Turbo: görüntü başına 4 sn
- Kandinsky 6.0: sesli video ve Lehçe konuşma (şu an bu yazıyı okuyorsunuz)
- YuE2 ve 3 model daha: yerel olarak Lehçe şarkılar
Kandinsky 6.0 Video nedir?
Kandinsky, Rusya merkezli Sber’in Kandinsky Lab tarafından geliştirilen model ailesi. 6.0 sürümü, bu ailede görüntü ve sesi aynı anda üreten ilk açık model. İçinde, videoyu ve sesi oluşturan iki akış bulunuyor. Bu akışlar, örneğin dalganın duyulan çarpma sesinin kayaya vurduğu kareyle eşleşmesi için birlikte çalışıyor. Model bu sayede konuşmayla dudak hareketlerini de eşleştiriyor.
Geliştiricilerin raporuna göre Pro, VABench testinin çoğu ölçümünde açık LTX-2.5 modelini geride bırakıyor. Gearbrain ise açık modeller arasında yalnızca MiniMax H3’ün önde olduğunu yazıyor. Bunlar geliştiricilerin ölçümleri ve incelemeler; ben de kendi bilgisayarımda nasıl sonuç verdiğini kontrol ettim.
RTX 4090’da testim
Donanım: RTX 4090 24 GB, 64 GB RAM, Windows 11, ComfyUI 0.41.0; modeller USB üzerinden bağlı SSD’deydi. Resmî şablon ayarları: 10 adım, CFG 1, PiFlow örnekleyici, 864×480, 121 kare. İstem genişleticiyi (ayrı bir Qwen 3.5 9B modeli, 19 GB) kapattım ve açıklamaları doğrudan tam hâliyle yazdım. Super Resolution’ı açmadım. Süreyi, görevi göndermemden MP4 dosyasının kaydedilmesine kadar, model yükleme dâhil ölçtüm. VRAM değerleri nvidia-smi ile ölçülen, ekran kartının tamamındaki en yüksek kullanımdır.
| Sahne | Lite: süre / VRAM | Pro int8: süre / VRAM |
|---|---|---|
| Pazarda satıcı, Lehçe cümle | 2:28 dk / 18,8 GB | 6:52 dk / 20,9 GB |
| Barista, İngilizce cümle | 2:06 dk / 18,9 GB | 6:41 dk / 21,0 GB |
| Fırtınada deniz feneri | 1:51 dk / 19,9 GB | 6:18 dk / 21,4 GB |
| Yaprakların arasında yavru köpek | 2:04 dk / 19,9 GB | 6:20 dk / 21,0 GB |
Pro’nun int8 sürümü 30,5 GB; bu nedenle 24 GB’lık ekran kartına sığmıyor. ComfyUI ağırlıkların bir kısmını RAM’de tutup işlem sırasında aktarıyor (29 GB “staged” bildirdi). Bu yüzden Pro, Lite’tan 3 kattan fazla yavaş ve 64 GB RAM gerektiriyor.
Konuşma: yazdığımı söylüyor mu?
Söylenecek cümleyi, sahne açıklamasına <S> ve <E> işaretleri arasına yazıyorsunuz. Her klibi Whisper large-v3’ten geçirip metinle karşılaştırdım. Aşağıdaki Lehçe örnekler, Lehçe olarak yapılan testte kullanılan özgün ifadelerin Türkçe çevirileridir; Türkçe test yapılmadı.
| Test edilen cümlenin Türkçe çevirisi | Lite’ın duyulan Lehçe çıktısının Türkçe çevirisi | Pro’nun duyulan Lehçe çıktısının Türkçe çevirisi |
|---|---|---|
| “Günaydın! Bahçeden taze elmalar, bal kadar tatlı!” | “Günaydın, ama arabalar bahçeden. Bal gibi …” (9 kelimeden 4’ü) | “Günaydın. Elmalar bahçeden. Bal peteği gibi tatlı.” (9 kelimeden 7’si) |
| “Flat white’ınız hazır, afiyet olsun!” | “Flat white’ınız hazır. Afiyet olsun.” (7 kelimeden 6’sı) | “Flat white’ınız hazır. Afiyet olsun.” (7 kelimenin 7’si) |
Geliştiricilerin materyallerinde Lehçeden hiç söz edilmese de Pro, cümlenin neredeyse tamamını doğru aksanla söylüyor. Küçük kelimeleri (“-den” anlamındaki “z”) ve kelime sonlarını kaçırıyor (“bal” yerine “petek”). Reklamda kısa bir replik için yeterli; Lehçe uzun diyaloglar için henüz değil.
Klipler
Tüm klipler düzenleme yapılmadan, modelin ürettiği sesle sunuluyor. Sesi açın.
Dikkatimi çekenler
- Pro, film karesi gibi görünüyor. Kendiliğinden sinematik siyah şeritler (2,39:1) ekliyor; yumuşak ışık ve doğal yüzler üretiyor. Lite daha “reklamvari” ve doğrudan.
- Lite isteme daha iyi uyuyor. Deniz feneri sahnesinde ışık huzmesi ve su sıçramaları oluşturdu. Pro güzel ama daha sakin bir kare üretti; ışık huzmesi ve yağmur yoktu.
- Her iki modelde de ses görüntüyle uyumlu. Pazar uğultusu, süt köpürtücünün tıslaması ve dalga sesleri görülenlerle örtüşüyor. Barista istemindeki arka plan müziği, bir kafede duyulacağı gibi kısık geliyor.
- Kare içindeki yazılar anlamsız, çoğu video modelinde olduğu gibi. Lite klibinde kahve makinesinde okunaksız bir tabela belirdi.
ComfyUI’de Kandinsky 6 nasıl çalıştırılır?
- ComfyUI’yi 0.38 veya daha yeni bir sürüme güncelleyin (ben 0.41 kullanıyorum).
- ComfyUI Manager’da
kandinsky6aratın (yayıncı kandinskylab) ve yükleyin. İsteğe bağlı olarak çözünürlüğü yükseltmek içinkandinsky6-srekleyin. Elle kurulum için kandinskylab/kandinsky-6 deposundakicomfyuiklasörünücustom_nodes/kandinsky6içine kopyalayın ve ComfyUI’nin Python’uylarequirements.txtdosyasındaki bağımlılıkları yükleyin. - Modeli indirin. Lite distill (6,4 GB),
config.jsonile birliktemodels/diffusion_models/Kandinsky-6.0-Lite-distill-5s-Diffusers/transformer/klasörüne yerleştirilir. Resmî Pro distill bf16 sürümü 60,3 GB. Ben kabachuha/Kandinsky-6.0-Pro-distill-5s-int8-convrot deposundaki int8 sürümünü (30,5 GB) kullandım. Bu sürümün yazarı, modelin geliştiricilerin düğümüyle çalışmayabileceği konusunda uyarıyor. Bende çalıştı. - Ortak bileşenleri indirin:
qwen_2.5_vl_7b.safetensorskodlayıcısı veclip_l.safetensors(text_encodersklasörüne),hunyuan_video_vae_bf16.safetensors(vaeklasörüne), MMAudio’danv1-44.pthses VAE’si ve 44 kHz BigVGAN vocoder’ı (audio_vaeklasörüne). Tam bağlantılar düğümün README dosyasında. - Workflow’u, ardından Browse Templates’ı, sonra kandinsky6’yı açın ve “Text to Video+Audio” ya da “Image to Video+Audio” seçeneğini seçin.
- İstem genişleticiyi kapatıyorsanız tam açıklamayı İngilizce yazın: kim, ne yapıyor, kamera, ışık; ikinci alana da duyulacakları girin. Konuşma metinlerini
<S>metin<E>biçiminde ekleyin.
Windows’ta ComfyUI’yi PYTHONUTF8=1 ayarıyla başlatın. Bu ayar olmadan günlüklerde Lehçe karakterler göründüğü için bende düğümler yüklenmedi. Genel kurulum rehberim: ComfyUI’ye sıfırdan başlama.
Kandinsky 6 diğer açık video modelleriyle karşılaştırıldığında
| Model | Ses | Lisans | RTX 4090’da |
|---|---|---|---|
| Kandinsky 6.0 Pro | Evet, konuşma dâhil | MIT, ticari kullanım serbest | 5 saniye için 6-7 dk, 64 GB RAM |
| Kandinsky 6.0 Lite | Evet, konuşma dâhil | MIT, ticari kullanım serbest | 5 saniye için yaklaşık 2 dk |
| MiniMax H3 | Evet, konuşma dâhil | Ağırlıklar AB’yi kapsamıyor | Çalıştırmadım |
| Wan 2.2 5B | Hayır | Apache 2.0 | 960×544 klip başına yaklaşık 1 dk (eylül ayında yaptığım test) |
MAGI-2 ve LTX-2.5 dâhil açık video modellerinin daha geniş karşılaştırması Açık video modelleri 2026 yazımda. Görüntü ve müzik modelleri dâhil ekim ayındaki tüm yeniliklerin derlemesi için Yeni yerel yapay zekâ modelleri yazısına bakabilirsiniz.
En kolay yöntem: Hangar
Her iki Kandinsky 6 sürümü de Windows’ta yerel modelleri yönetmek için geliştirdiğim ücretsiz Hangar’da listeleniyor; hesap veya abonelik gerekmiyor. Katalogda diffusers biçimindeki dosyalar yer alıyor: Lite distill toplam 26,7 GB, Pro distill 80,6 GB; bunun 60,3 GB’ı transformer. 24 GB’lık ekran kartında Lite’ı seçin; Pro ancak ağırlıkların bir kısmı RAM’e aktarılırsa çalışıyor. MIT lisansı ticari kullanıma izin veriyor ve AB dâhil ülkeleri kapsam dışında bırakmıyor. Kandinsky, Hangar’da henüz hazırlık aşamasındaki ayrı bir motor gerektiriyor.
- Hangar sayfasından kurulum dosyasını (14 MB) indirin. Dosya henüz dijital olarak imzalanmadığı için Windows SmartScreen uyarı gösterecek: “Daha fazla bilgi”ye, sonra “Yine de çalıştır”a tıklayın.
- Hangar ekran kartınızı algılar (CUDA destekli Nvidia, en az 8 GB VRAM; 12 GB ve üzeri önerilir) ve modelin sığıp sığmayacağını gösterir.
- Katalogda Kandinsky 6 Lite veya Pro’yu bulun: dosya boyutlarını, lisansı ve modelin AB’de kullanılıp kullanılamayacağını görebilirsiniz.
- Şimdilik yukarıdaki yönergeleri izleyerek kandinsky6 düğümüyle ComfyUI üzerinden üretim yapın. Hangar ComfyUI portable’ı sıfırdan kurabilir (bende 231 saniye sürdü) ya da mevcut ComfyUI kurulumunuza bağlanabilir.
Hangar kataloğunda model var, ancak Hangar üzerinden üretim henüz çalışmıyor (17 Ekim 2026 itibarıyla). Şimdilik yukarıda açıklanan ComfyUI yöntemini kullanın. Araç hakkında: Hangar.
Sık sorulan sorular
Kandinsky 6 ne kadar VRAM kullanıyor?
864×480 çözünürlükte Lite, bende ekran kartının tamamında en yüksek 18,8-19,9 GB VRAM kullandı. Pro int8 ise 21,4 GB kullandı; ancak bunun nedeni ağırlıkların geri kalanının (yaklaşık 29 GB) RAM’de tutulmasıydı. 16 GB kartlarda Lite, RAM’e aktarım yaparak çalışabilir ama daha yavaş olur. 64 GB RAM ve 24 GB VRAM olmadan Pro’yu önermiyorum.
Kandinsky 6 Lehçe konuşabiliyor mu?
Pro fena değil: Lehçe test cümlemde 9 kelimenin 7’sini söyledi; Lehçe orijinalinden çeviriyle “Günaydın” ve “Doğrudan bahçeden elmalar” bölümleri anlaşılırdı. Lite cümlenin çoğunu bozdu. Lehçe konuşma için Pro’yu tercih edin. Bu değerlendirme Lehçe yapılan teste dayanıyor; Türkçe test yapılmadı.
Klipleri ticari amaçla kullanabilir miyim?
Ağırlıklar ve kod için geçerli MIT lisansı buna izin veriyor ve herhangi bir ülkeyi kapsam dışında bırakmıyor. Kullandığım int8 sürümünün bağımsız bir geliştiriciden geldiğini de unutmayın; onun Apache 2.0 lisansı da ticari kullanıma izin veriyor.
5 saniyeden uzun klip nasıl üretirim?
6.0 modelleri 5 saniyelik (121 kare) kliplerle eğitildi. Düğüm daha fazla kare girmenize izin veriyor; ancak daha uzun klipleri test etmedim ve kalitenin nasıl korunacağını bilmiyorum. Uzun sahneler, örneğin son kare başlangıç görüntüsü olarak kullanılarak görüntüden videoya modunda birkaç klip birleştirilerek oluşturulabilir.
Lite mı Pro mu?
Fikir ve kadraj denemeleri, konuşma gerekmeyen sahneler için Lite’ı seçin; 3 kattan fazla hızlı. Diyalog içeren son sahneler ve film gibi görünmesi gereken çekimler için Pro’yu tercih edin.
Google · KaynaklarınızParıldak'ı Google'ınızda üst sıralara taşıyın - tek tıklaTercih ettiğiniz kaynaklara ekleyin →Kaynaklar
- Hugging Face’te Kandinsky 6.0 Lite distill (model kartı, MIT lisansı)
- GitHub’da kandinskylab/kandinsky-6 (kod ve ComfyUI düğümü)
- Kandinsky 6.0 Video teknik raporu (arXiv)
- Kandinsky 6.0 Pro distill int8 (kabachuha)
- RTX 4090’da kendi ölçümlerim, 17 Ekim 2026.
Parıldak'taki benzer konular
