Kandinsky 6.0 unzensiert: Videos, die sprechen, singen und echt klingen

Von stummen Clips zu Szenen mit Stimme

Kandinsky Lab hat sich mit Kandinsky 5.0 einen Namen gemacht, einem offenen Videomodell, das viele Hobbyanwender schon zu Hause betrieben haben. Die neue Generation behält diesen Videokern und ergänzt einen zweiten Strom, der den Ton im selben Moment wie das Bild erzeugt: Die Lippen einer Sängerin passen zum Text, und Schritte erklingen genau dann, wenn die Füße den Boden berühren. Jeder Clip ist fünf Sekunden lang bei 24 Bildern pro Sekunde, mit 44-kHz-Ton, der Sprache, Atmosphäre und Musik mischen kann. Du kannst nur mit Text starten oder mit einem Referenzfoto, das zum ersten Frame wird. Der Fortschritt ist echt, die Grenzen aber auch: Clips bleiben kurz, die native Auflösung liegt vor dem Upscaling bei etwa 864×480, und das größere Pro-Modell braucht viel Speicher. Die eigenen menschlichen Blindtests von Kandinsky Lab räumen zudem ein, dass die besten geschlossenen Videodienste insgesamt noch vorne liegen.

Was Creator mit KI-Video mit Ton erstellen

Der größte Wandel ist das Tempo für Kurzvideo-Creator. Ein Clip, der früher einen separaten Text-to-Speech-Durchgang, einen Stock-Musiktrack und manuelle Synchronisierung brauchte, entsteht jetzt in einem einzigen Render. Deshalb kam das Modell zuerst bei Kurzvideo- und Storytelling-Kanälen, Musik-Meme-Machern und Leuten an, die KI-Charaktere für soziale Feeds bauen. Erwachsene (18+) Creator nutzen dieselbe Stärke für flirtende Monologe, langsame Tänze und intime Atmosphäre-Szenen, denn ein Flüstern und sanfte Musik transportieren eine Stimmung viel besser als Stille.

Warum viele Kandinsky 6.0 unzensiert wollen

Gehostete Video-Apps prüfen jeden Prompt und jeden Frame und blockieren oft Bademode, Romantik oder alles leicht Anzügliche, selbst zwischen einvernehmlich handelnden Erwachsenen. Offene Gewichte funktionieren anders. Wenn du Kandinsky 6.0 unzensiert in ComfyUI auf deinem eigenen Rechner ausführst, ist kein Moderationsdienst beteiligt: Der Workflow rendert einfach, was du beschreibst. Bedenke, dass es ein allgemeines Modell ist und nicht auf Erwachseneninhalte abgestimmt, explizite Details sind also nicht seine Stärke. Jede Szene sollte ausschließlich Erwachsene zeigen und niemals reale Personen ohne deren Zustimmung.

• Deine Prompts und Clips bleiben auf deinem eigenen Computer.
• Keine Ablehnungen bei geschmackvollen Erwachsenenthemen wie Boudoir, Bademode oder Romantik.
• Volle Kontrolle über Steps, Seeds, Stimmen und Musik im Workflow.

Lite oder Pro: Welche Version du nutzen solltest

Es gibt zwei Größen. Lite hat 3 Milliarden Parameter und ist die freundliche Wahl für Heim-GPUs. Pro hat 29 Milliarden und liefert sauberere Bewegung und mehr Details, braucht dafür aber deutlich mehr Speicher und Zeit. Beide gibt es als Basis-Checkpoint (50 Steps, CFG 5), als destillierte Variante (10 Steps, CFG 1) und als Pretrain-Checkpoint für Fine-Tuning. Für alltägliche Clips mit Kandinsky 6.0 unzensiert startest du am besten mit einem destillierten Modell; die offiziellen ComfyUI-Vorlagen sind standardmäßig schon auf Pro destilliert eingestellt.

Die Zeiten sind die offiziellen README-Werte für nicht destillierte Modelle nach dem Aufwärmen; für die destillierten Versionen hat Kandinsky Lab keine Zeiten veröffentlicht.

Kandinsky 6.0 in ComfyUI: Installation und Workflow

Du willst es ausprobieren, bevor du Dutzende Gigabyte herunterlädst? Kandinsky Lab betreibt einen kostenlosen Hugging Face Space mit Pro destilliert. Wenn du lokal loslegen willst, ist ComfyUI das einfachste Zuhause für Kandinsky 6.0 unzensiert, denn das Lab liefert seine eigenen Custom Nodes schon zum Start. Native Unterstützung im ComfyUI-Kern ist noch ein offener Pull Request, daher nutzt du vorerst die Erweiterung:

• Installation: Suche im ComfyUI Manager nach kandinsky6 (und kandinsky6-sr für das Upscaling) oder führe comfy node install kandinsky6 kandinsky6-sr aus. Die Generierungserweiterung verlangt ComfyUI 0.38.0 oder neuer.
• Workflow: Öffne die integrierte Vorlage Text to Video+Audio oder Image to Video+Audio.
• Modell-Download: Der Button Download models der Vorlage lädt alle benötigten Teile, darunter die Text-Encoder, das Video-VAE, das Audio-VAE samt Vocoder und den Upscaler.
• Ordner: Diffusionsmodelle kommen in models/diffusion_models, Text-Encoder in models/text_encoders, das Video-VAE in models/vae und die Audio-Teile in models/audio_vae.
• Optional: Der Prompt-Verbesserer Qwen3.5-9B braucht etwa 19 GB zusätzlich; schalte ihn ab, wenn Speicherplatz oder Arbeitsspeicher knapp sind.

VRAM-Anforderungen: Reicht eine 16GB-Karte?

Ja, Kandinsky 6.0 unzensiert läuft auf 16GB, mit Geduld. Das offizielle 16GB-Preset lagert Modellblöcke in den System-RAM aus, was den Grafikspeicher schont, die Last aber auf RAM und Zeit verlagert. Eine unabhängige Analyse des Papers beziffert Pro in diesem Modus auf etwa 58 GiB System-RAM, eine 16GB-Karte ist also eigentlich eine Lite-Maschine, sofern du nicht reichlich RAM hast. Vollständig auf der GPU geladen erreichen die Spitzen etwa 44 GiB für Lite und 73 GiB für Pro. Denk daran: Die Dateigröße ist nicht der Spitzen-VRAM. Offizielle Zeiten für einen fünfsekündigen Clip:

Nicht destillierte Modelle, nach dem Aufwärmen, ohne Laden der Gewichte und MP4-Kodierung (README von Kandinsky Lab).

INT8- und quantisierte Builds für wenig VRAM

Falls du nach einer GGUF-Version gesucht hast: Eine offizielle gibt es nicht. Stattdessen bietet die Community INT8-ConvRot-Dateien an. Das T8star-Paket enthält Einzeldatei-Modelle mit 4,87 GB für Lite, 3,77 GB für Lite destilliert und 34,97 GB für Pro destilliert und benötigt ComfyUI 0.39.0 oder neuer, comfy-kitchen 0.2.37 oder neuer sowie eine NVIDIA-GPU mit INT8-Tensor-Cores. Der Autor hat es auf einem RTX 5090 Laptop mit 24 GB getestet. Ein zweites Set von kabachuha hängt vom noch nicht gemergten nativen ComfyUI-Pull-Request ab und funktioniert daher möglicherweise nicht mit den offiziellen Nodes. Betrachte beide als Community-Builds und vergleiche die Ergebnisse mit dem Original.

ComfyUI-Fehler und Node-Konflikte beheben

Die meisten Probleme bei einer frischen Installation haben wenige Ursachen, prüfe also zuerst diese, bevor du alles neu installierst:

• Doppelte Nodes: Die offizielle kandinsky6-Erweiterung und die T8star-Erweiterung registrieren dieselben Node-Namen. Aktiviere nur eine davon.
• Versionskonflikt: Aktualisiere ComfyUI auf die Version, die die Erweiterung verlangt, und halte comfy-kitchen und deinen GPU-Treiber aktuell. Kandinsky Lab stellt Fallback-Wheels für ComfyUI 0.38.0 mit comfy-kitchen 0.2.36 bereit.
• Lite-Basis sieht falsch aus: Das nicht destillierte Lite-Modell braucht 50 Steps und CFG 5, MagCache entfernt oder umgangen.
• Destillierte Einstellungen: Nutze 10 Steps, CFG 1 und Denoise 1, sonst wird das Ergebnis matschig.
• Reines diffusers schlägt fehl: Die Unterstützung ist eventuell noch nicht im veröffentlichten diffusers-Paket enthalten, nutze also die ComfyUI-Erweiterung oder das eigene Repository des Labs.

Full-HD-Upscaling und Bild zu Video mit Audio

Zwei Extras machen Clips mit Kandinsky 6.0 unzensiert deutlich brauchbarer. Erstens skaliert das separate Super-Resolution-Modell (kandinsky6-sr installieren) um 2x, 2,25x oder 4x hoch, bis 1920×1080. Es ist ein zweiter Durchgang, plane also zusätzliche Zeit und Speicher ein; die ComfyUI-Vorlage behält den Ton, während die reine diffusers-Pipeline nur Video ausgibt und du den Ton selbst wieder einmuxen musst. Zweitens Bild zu Video mit Audio: Wähle die Vorlage Image to Video+Audio, lade ein Foto als ersten Frame und beschreibe Bewegung und Ton. So hältst du Gesicht und Outfit einer Figur am besten von Clip zu Clip konsistent.

Prompt-Rezepte für Dialog, Musik und Atmosphäre

Das Modell liest zwei Beschreibungen: eine Video-Caption für das Bild und eine Audio-Caption für den Ton. Gesprochene Sätze gehören in die Video-Caption zwischen <S> und <E>, während Musik, Geräusche und Stimmstil in die Audio-Caption kommen. Mit diesen Rezepten holst du das Meiste aus Kandinsky 6.0 unzensiert heraus; setze einfach deine eigenen Details ein:

• Dialog: "An adult woman in a red dress leans on a bar and says <S>You came back.<E>, slow push-in." Audio: "warm female voice, quiet bar chatter, soft piano."
• Gesang: "An adult man with a guitar sings on a rooftop at sunset, close-up." Audio: "gentle acoustic ballad, male vocals, light wind."
• Atmosphäre: "Rain streams down a window, a candle flickers on the sill, static camera." Audio: "steady rain, distant thunder, faint crackle."
• Romantik (18+): "An adult couple slow dances in a dim loft, fairy lights, camera orbits slowly." Audio: "soft saxophone, quiet laughter."

1. Beschränke jeden Clip auf eine Aktion und eine Dialogzeile; fünf Sekunden vergehen schnell.
2. Nenne in jedem Prompt die Kamerabewegung (Push-in, Orbit, Tracking) und die Lichtquelle.
3. Beschreibe die Stimme: Alter, Wärme, Tempo und Akzent verändern das Ergebnis.
4. Fixiere den Seed, während du die Audio-Caption anpasst, damit du hörst, was sich geändert hat.
5. Gib an, dass jede gezeigte Person erwachsen (18+) ist.

Der Vergleich mit Wan 2.2 und LTX-2.5

Das Verkaufsargument ist nativer Ton plus offene Gewichte. In den menschlichen Blindtests des Labs schlug Pro LTX-2.5 bei Bildqualität und Sprache, während LTX-2.5 bei Audio-Video-Synchronität und Gesamtaudio leicht besser abschnitt, ein Abstand, den das Paper als nicht signifikant bezeichnet. LTX-2.5 hat bereits native ComfyUI-Unterstützung, was die Einrichtung vereinfacht. Wan 2.2 erzeugt stummes Video, du ergänzt also ein separates Stimmmodell; ein russischer Praxistest auf Habr fand diesen Weg langsamer und teurer, aber besser, um eine Stimme über mehrere Clips hinweg zu halten, und maß für einen quantisierten Pro-Build etwa 144 Sekunden pro fünfsekündigem Clip. Das sind die Eindrücke eines einzelnen Testers, keine Labor-Zahlen.

Keine GPU? Erstelle Erwachsenenvideos im Browser

Nicht jeder hat eine 24GB-Karte oder einen freien Nachmittag für die Einrichtung. Spicy AI bietet eine ähnliche unzensierte Videogenerierung online: Foto hochladen, Bewegung beschreiben und einen kurzen Clip für Erwachsene (18+) erhalten, ganz ohne Download. Verwende nur Fotos, die dir gehören oder für die du eine Erlaubnis hast, und zeige niemals Minderjährige oder reale Personen ohne Zustimmung.

Quellen

• Technischer Bericht zu Kandinsky 6.0 Video (arXiv 2610.05608)
• Repository kandinskylab/kandinsky-6 (GitHub)
• Offizielle Anleitung zur ComfyUI-Erweiterung
• Seite der Videomodelle von Kandinsky Lab
• Model Card von Kandinsky 6.0 Lite (Hugging Face)
• Model Card des Video-Super-Resolution-Modells von Kandinsky 6.0 (Hugging Face)
• Kostenlose Demo von Pro destilliert (Hugging Face Space)
• kandinsky6-Node in der ComfyUI Registry
• T8star INT8-Modelle für ComfyUI (Hugging Face)
• Pull Request für native Kandinsky 6.0-Unterstützung (ComfyUI)
• Praxistest auf Russisch (Habr)

Weitere Guides zu unzensierten Videomodellen

• Kling unzensiert
• Kling 2.6 unzensiert
• Kling O1 unzensiert
• Sora unzensiert
• Veo unzensiert
• Hailuo AI unzensiert
• MiniMax H3 Max unzensiert
• Wan unzensiert
• Wan 3.0 unzensiert
• Seedance unzensiert
• Seedance 2.5 unzensiert
• Seedance 2.0 unzensiert
• Seedance 2.0 Mini unzensiert
• HunyuanVideo unzensiert
• LTX Video unzensiert
• Runway unzensiert
• Pika unzensiert
• Luma Dream Machine unzensiert
• Vidu unzensiert
• PixVerse unzensiert
• EdenLive unzensiert
• Grok Imagine unzensiert
• AI Avatars unzensiert
• HappyHorse 1.0 unzensiert
• MiniMax H3 FL2VA Ref2VA unzensiert
• Kling 4.0 unzensiert
• Kling 3.0 unzensiert
• MiniMax H3 RefMods unzensiert