無修正 AI 動画 · Kandinsky Lab
無修正 Kandinsky 6.0：話し、歌い、リアルな音まで鳴る動画
AI 動画の多くはいまだに無音で届き、その後 1 時間かけてナレーションや音楽、効果音を探すことになります。Kandinsky 6.0 はそれを変えます。プロンプトひとつで、セリフ、口の動き、背景音、サウンドトラックまでそろった 5 秒のクリップが手に入るのです。Kandinsky Lab は 2026 年 10 月に重みを公開したため、クリエイターはクラウドのフィルターに許可を左右されることなく、無修正 Kandinsky 6.0 を自分の GPU 上の ComfyUI で動かせます。ここでは、何が作れるのか、どのバージョンを選ぶべきか、セットアップ方法、そして映像に負けない音を引き出すプロンプトの書き方を解説します。
- 音声付き動画
- オープンな重み
- ComfyUI で動作
無修正の代替動画ジェネレーター
画像から動画写真をアップロードして動きを記述すれば、Spicy AI が短いクリップにアニメーション化します。
プロンプトを試す
プロンプト例は英語です。英語のほうが最も安定した結果が得られます。
無音のクリップから、声のあるシーンへ
Kandinsky Lab は、多くの愛好家がすでに自宅で動かしていたオープン動画モデル Kandinsky 5.0 で評判を築きました。新世代はその動画コアを引き継ぎつつ、映像と同時に音声を書き出す第 2 のストリームを追加。歌手の唇は歌詞に合い、足音は足が床に着く瞬間に鳴ります。クリップはすべて 5 秒・24 フレーム毎秒で、44 kHz の音声には話し声、環境音、音楽をミックスできます。テキストだけからでも、最初のフレームになる参照写真からでも始められます。進化は本物ですが、制約もあります。クリップは短く、ネイティブ解像度はアップスケール前で約 864×480、大きな Pro モデルは大量のメモリを必要とします。Kandinsky Lab 自身の人間によるブラインドテストでも、総合的には最高峰のクローズドな動画サービスがまだ上回ることを認めています。
音声付き AI 動画でクリエイターが作っているもの
最大の変化は、ショート動画クリエイターにとってのスピードです。以前は別途の音声合成、ストック音楽、手作業での同期が必要だったクリップが、1 回のレンダリングで完成します。だからこそ、このモデルはまずショート動画やストーリーテリングのチャンネル、音楽ミーム制作者、SNS 向けの AI キャラクターを作る人々の間で広まりました。成人向け（18 歳以上）のクリエイターも同じ強みを、色っぽいモノローグやスローダンス、親密な雰囲気のシーンに活かしています。ささやき声と柔らかな音楽は、無音よりはるかに雰囲気を伝えるからです。
話すキャラクター
キャラクターがカメラを見つめてセリフを話し、唇が言葉に合わせて動きます。寸劇、イントロ、ストーリーの予告にぴったりです。
音楽とダンスの瞬間
ラウンジシンガー、路上のドラマー、ソフトなジャズに合わせて踊るカップル。ビートと動きが一緒に届きます。
ムードと環境音のループ
窓を打つ雨、パチパチと燃える暖炉、夜の波。リラックス系のリールや背景に使える、音付きの短いループです。
なぜ無修正 Kandinsky 6.0 が求められるのか
ホスティング型の動画アプリはプロンプトとフレームをすべてチェックし、同意した成人同士であっても水着やロマンス、少しでも際どいものをブロックしがちです。オープンな重みは違います。無修正 Kandinsky 6.0 を自分のマシンの ComfyUI で動かせば、間にモデレーションサービスは存在せず、ワークフローは記述したものをそのままレンダリングします。ただし、これは成人向けに調整されたモデルではなく汎用モデルなので、露骨な描写は得意ではありません。また、どのシーンにも登場させるのは成人のみとし、実在の人物を同意なく使うことは絶対に避けてください。
- プロンプトもクリップも自分のパソコン内にとどまります。
- ブドワール、水着、ロマンスといった上品な大人向けテーマも拒否されません。
- ステップ数、シード、声、音楽をワークフローで完全にコントロールできます。
Lite と Pro：どちらのバージョンを使うべきか
サイズは 2 種類です。Lite は 30 億パラメーターで、家庭用 GPU に優しい選択肢。Pro は 290 億パラメーターで、よりきれいな動きと豊かなディテールを実現しますが、メモリと時間を大幅に多く消費します。それぞれにベースチェックポイント（50 ステップ、CFG 5）、蒸留版（10 ステップ、CFG 1）、ファインチューニング用の事前学習チェックポイントがあります。日常的に無修正 Kandinsky 6.0 のクリップを作るなら、まず蒸留モデルから始めましょう。公式の ComfyUI テンプレートも初期設定で Pro 蒸留版になっています。
| Lite | Pro | |
|---|---|---|
| サイズ | 3B パラメーター | 29B パラメーター |
| おすすめ用途 | 16GB〜24GB の家庭用 GPU、手早いテスト | 最高品質、24GB 以上のカードまたはクラウド GPU |
| RTX 4090、ベースモデル、SD クリップ | 437 秒 | 936 秒 |
| 蒸留版 | 10 ステップ、CFG 1 | 10 ステップ、CFG 1 |
所要時間は、ウォームアップ後の非蒸留モデルについての公式 README の数値です。Kandinsky Lab は蒸留版の所要時間を公表していません。
Kandinsky 6.0 の ComfyUI インストールとワークフロー
数十 GB をダウンロードする前に試してみたい？ Kandinsky Lab は Pro 蒸留版を使った無料の Hugging Face Space を運営しています。ローカルで動かす準備ができたら、無修正 Kandinsky 6.0 にとって最も手軽な環境は ComfyUI です。ラボがリリース当日に独自のカスタムノードを提供しているからです。ComfyUI 本体でのネイティブ対応はまだプルリクエストの段階なので、当面は拡張機能を使います：
- インストール：ComfyUI Manager で kandinsky6（アップスケール用に kandinsky6-sr も）を検索するか、comfy node install kandinsky6 kandinsky6-sr を実行します。生成用拡張機能には ComfyUI 0.38.0 以降が必要です。
- ワークフロー：組み込みの Text to Video+Audio または Image to Video+Audio テンプレートを開きます。
- モデルのダウンロード：テンプレートの Download models ボタンで、テキストエンコーダー、動画 VAE、音声 VAE とボコーダー、アップスケーラーなど必要なパーツがすべて取得されます。
- フォルダー：拡散モデルは models/diffusion_models、テキストエンコーダーは models/text_encoders、動画 VAE は models/vae、音声パーツは models/audio_vae に置きます。
- オプション：Qwen3.5-9B プロンプトエンハンサーは約 19 GB 増えます。ディスク容量やメモリが厳しい場合はオフにしてください。
必要な VRAM：16GB のカードで動く？
はい、根気さえあれば無修正 Kandinsky 6.0 は 16GB で動きます。公式の 16GB プリセットはモデルのブロックをシステム RAM にオフロードするため、グラフィックメモリの使用量は抑えられますが、その分の負荷は RAM と時間に回ります。論文の独立した分析によると、このモードで Pro はシステム RAM を約 58 GiB 使うため、RAM が潤沢でない限り 16GB のカードは実質 Lite 向けです。GPU に完全に載せた場合、ピークは Lite で約 44 GiB、Pro で約 73 GiB に達します。ファイルサイズはピーク VRAM ではない点に注意してください。5 秒クリップ 1 本あたりの公式所要時間：
| GPU | Lite | Pro |
|---|---|---|
| RTX 5060 Ti 16GB | 1,310 秒（SD）· 1,774 秒（Full HD） | 3,530 秒（Full HD） |
| RTX 4090 | 437 秒（SD） | 936 秒（SD） |
| RTX 5090 | 309 秒（SD） | 754 秒（SD） |
| H100 | 239 秒（SD） | 356 秒（SD） |
非蒸留モデル、ウォームアップ後、重みの読み込みと MP4 エンコードを除く（Kandinsky Lab README）。
低 VRAM 向けの INT8・量子化ビルド
GGUF 版を探しているなら、公式のものはありません。代わりにコミュニティが提供しているのが INT8 ConvRot ファイルです。T8star パックには、Lite 用 4.87 GB、Lite 蒸留版用 3.77 GB、Pro 蒸留版用 34.97 GB の単一ファイルモデルがあり、ComfyUI 0.39.0 以降、comfy-kitchen 0.2.37 以降、INT8 Tensor Core を備えた NVIDIA GPU が必要です。作者は 24 GB の RTX 5090 Laptop で動作を検証しています。kabachuha による別のセットは未マージの ComfyUI ネイティブ対応プルリクエストに依存しているため、公式ノードでは動かない可能性があります。どちらもコミュニティ製ビルドとして扱い、オリジナルと結果を比較してください。
ComfyUI のエラーとノード競合の解決
新規インストール時の問題の大半はいくつかの原因に集約されるので、すべてを再インストールする前に次の点を確認しましょう：
- ノードの重複：公式の kandinsky6 拡張機能と T8star 拡張機能は同じノード名を登録します。どちらか一方だけを有効にしてください。
- バージョンの不一致：ComfyUI を拡張機能が求めるバージョンに更新し、comfy-kitchen と GPU ドライバーも最新に保ちましょう。Kandinsky Lab は ComfyUI 0.38.0 と comfy-kitchen 0.2.36 向けのフォールバック wheel を提供しています。
- Lite ベースの出力がおかしい：非蒸留の Lite モデルには 50 ステップと CFG 5 が必要で、MagCache は外すかバイパスしてください。
- 蒸留版の設定：10 ステップ、CFG 1、denoise 1 を使わないと、出力が濁ってしまいます。
- 素の diffusers で失敗する：リリース済みの diffusers パッケージにはまだ対応が入っていない可能性があるため、ComfyUI 拡張機能かラボのリポジトリを使ってください。
Full HD アップスケールと音声付き画像から動画
2 つの追加機能で、無修正 Kandinsky 6.0 のクリップはぐっと実用的になります。1 つ目は、別の超解像モデル（kandinsky6-sr をインストール）で、2 倍、2.25 倍、4 倍、最大 1920×1080 までアップスケールできます。2 回目のパスになるので、追加の時間とメモリを見込んでください。ComfyUI テンプレートは音声を保持しますが、素の diffusers パイプラインは映像のみを出力するため、音声は自分で多重化し直す必要があります。2 つ目は、音声付きの画像から動画です。Image to Video+Audio テンプレートを選び、写真を最初のフレームとして読み込み、動きと音を記述します。クリップ間でキャラクターの顔や服装を一貫させる最良の方法です。
セリフ・音楽・環境音のプロンプトレシピ
モデルは 2 つの記述を読み取ります。映像用のビデオキャプションと、音用のオーディオキャプションです。話すセリフはビデオキャプション内の <S> と <E> の間に入れ、音楽、ノイズ、声のスタイルはオーディオキャプションに書きます。これらのレシピで無修正 Kandinsky 6.0 の力を最大限に引き出せます。細部は自由に入れ替えてください：
- セリフ："An adult woman in a red dress leans on a bar and says <S>You came back.<E>, slow push-in." 音声："warm female voice, quiet bar chatter, soft piano."
- 歌："An adult man with a guitar sings on a rooftop at sunset, close-up." 音声："gentle acoustic ballad, male vocals, light wind."
- 環境音："Rain streams down a window, a candle flickers on the sill, static camera." 音声："steady rain, distant thunder, faint crackle."
- ロマンス（18 歳以上）："An adult couple slow dances in a dim loft, fairy lights, camera orbits slowly." 音声："soft saxophone, quiet laughter."
- 1 クリップにつきアクションは 1 つ、セリフは 1 行に。5 秒はあっという間です。
- すべてのプロンプトでカメラワーク（push-in、orbit、tracking）と光源を指定しましょう。
- 声を描写しましょう。年齢、温かみ、話すペース、アクセントで結果が変わります。
- オーディオキャプションを調整する間はシードを固定すると、何が変わったか聞き分けられます。
- 登場人物は全員成人（18 歳以上）であると明記しましょう。
Wan 2.2・LTX-2.5 との比較
売りはネイティブの音声とオープンな重みの組み合わせです。ラボの人間によるブラインドテストでは、Pro は映像品質と発話で LTX-2.5 を上回り、LTX-2.5 は音声と映像の同期および総合的な音声でわずかに上回りましたが、論文ではこの差は有意ではないとしています。LTX-2.5 はすでに ComfyUI にネイティブ対応しているため、セットアップはより簡単です。Wan 2.2 は無音の動画を作るので、別の音声モデルを追加することになります。Habr に掲載されたロシア語の実機レビューでは、この方法は遅くコストもかかるものの、クリップ間で同じ声を保つには優れているとし、量子化した Pro ビルドで 5 秒クリップ 1 本あたり約 144 秒を記録しました。これは 1 人のテスターの印象であり、ラボの数値ではありません。
GPU がない？ ブラウザで大人向け動画を作ろう
誰もが 24GB のカードやセットアップに使える午後の時間を持っているわけではありません。Spicy AI なら、同様の無修正動画生成をオンラインで利用できます。写真をアップロードし、動きを記述するだけで、成人（18 歳以上）向けの短いクリップが完成。ダウンロードは一切不要です。自分が所有する、または使用許可を得た写真のみを使い、未成年者や同意のない実在の人物は絶対に登場させないでください。
写真 1 枚を無修正のショート動画に。GPU もセットアップも不要です。
画像から動画を開く →Kandinsky 6.0 のセルフホスト vs Spicy AI でのオンライン生成
| ローカル環境（公式の重み） | Spicy AI オンライン | |
|---|---|---|
| コンテンツフィルター | 自分のワークフローではなし | 成人向けのコンテンツフィルターなし |
| オープンな重み | あり | 不要、ブラウザで動作 |
| モデル | Kandinsky 6.0 Lite または Pro | 同様の無修正動画モデルをオンラインで提供 |
| 始めるための費用 | 無料ダウンロード、自前の GPU | 無料プランあり |
よくある質問
Kandinsky 6.0 とは？
Kandinsky Lab が 2026 年 10 月 6 日にリリースしたオープン動画モデルのファミリーで、話し声、環境音、音楽を含む 44 kHz の同期音声付きで 5 秒のクリップを生成します。Lite（3B）と Pro（29B）があります。
本当に無修正なの？
オープンな重みはモデレーションサービスなしでローカル実行されるため、プロンプトをフィルタリングするものはありません。ただし汎用モデルなので露骨な描写には限界があり、すべてのコンテンツは成人のみを対象とする必要があります。
VRAM 16GB の ComfyUI で動かせる？
はい。公式の 16GB プリセットかコミュニティの INT8 ビルドを使えば動きます。現実的な選択肢は Lite で、十分なシステム RAM が必要です。1 クリップに 20 分以上かかることもあります。
動画の長さと画質は？
クリップはすべて 5 秒・24 fps です。ネイティブ出力は約 864×480 で、別のアップスケーラーを使えば Full HD まで引き上げられます。
何もインストールせずに試せる？
はい。Kandinsky Lab が Pro 蒸留モデルを使った無料の Hugging Face Space を提供しているので、ダウンロード前にプロンプトを試せます。
Spicy AI は Kandinsky Lab と提携していますか？
いいえ。Spicy AI は独立したプラットフォームであり、Kandinsky Lab と提携しておらず、承認も受けていません。Kandinsky は各権利者の商標です。
出典
- Kandinsky 6.0 Video 技術レポート（arXiv 2610.05608）
- kandinskylab/kandinsky-6 リポジトリ（GitHub）
- 公式 ComfyUI 拡張機能ガイド
- Kandinsky Lab 動画モデルページ
- Kandinsky 6.0 Lite モデルカード（Hugging Face）
- Kandinsky 6.0 動画超解像モデルカード（Hugging Face）
- Pro 蒸留版の無料デモ（Hugging Face Space）
- ComfyUI Registry の kandinsky6 ノード
- T8star INT8 ComfyUI モデル（Hugging Face）
- Kandinsky 6.0 ネイティブ対応のプルリクエスト（ComfyUI）
- ロシア語の実機レビュー（Habr）