Kandinsky 6.0 không kiểm duyệt: Video biết nói, biết hát và nghe như thật

Từ clip câm đến những cảnh có giọng nói

Kandinsky Lab gây dựng tên tuổi với Kandinsky 5.0, một mô hình video mở mà nhiều người dùng nghiệp dư đã chạy tại nhà. Thế hệ mới giữ nguyên lõi video đó và thêm một luồng thứ hai tạo âm thanh cùng lúc với hình ảnh, nên môi của ca sĩ khớp với lời bài hát và tiếng bước chân vang lên đúng lúc bàn chân chạm sàn. Mỗi clip dài năm giây ở 24 khung hình mỗi giây, với âm thanh 44 kHz có thể trộn lời nói, âm thanh nền và nhạc. Bạn có thể bắt đầu chỉ với văn bản hoặc với một ảnh tham chiếu làm khung hình đầu tiên. Bước tiến là thật, nhưng giới hạn cũng vậy: clip vẫn ngắn, độ phân giải gốc khoảng 864×480 trước khi upscale, và mô hình Pro lớn hơn cần rất nhiều bộ nhớ. Chính các bài kiểm tra mù với người thật của Kandinsky Lab cũng thừa nhận các dịch vụ video đóng tốt nhất vẫn dẫn trước về tổng thể.

Người sáng tạo làm gì với video AI có âm thanh

Thay đổi lớn nhất là tốc độ cho người làm video ngắn. Một clip trước đây cần một lượt chuyển văn bản thành giọng nói riêng, một bản nhạc stock và đồng bộ thủ công, giờ ra lò chỉ trong một lần render. Đó là lý do mô hình được đón nhận đầu tiên bởi các kênh video ngắn và kể chuyện, người làm meme âm nhạc và những ai xây dựng nhân vật AI cho mạng xã hội. Người sáng tạo trưởng thành (18+) tận dụng cùng thế mạnh này cho những đoạn độc thoại tán tỉnh, điệu nhảy chậm và cảnh không khí thân mật, vì một tiếng thì thầm và tiếng nhạc nhẹ truyền tải cảm xúc tốt hơn nhiều so với sự im lặng.

Vì sao mọi người muốn Kandinsky 6.0 không kiểm duyệt

Các ứng dụng video trên nền tảng đám mây kiểm tra từng prompt và khung hình, và thường chặn đồ bơi, chuyện tình cảm hay bất cứ thứ gì hơi gợi cảm, kể cả giữa những người trưởng thành tự nguyện. Trọng số mở hoạt động khác. Khi bạn chạy Kandinsky 6.0 không kiểm duyệt trong ComfyUI trên máy của mình, không có dịch vụ kiểm duyệt nào tham gia: quy trình chỉ đơn giản render những gì bạn mô tả. Hãy nhớ đây là mô hình đa dụng, không được tinh chỉnh cho nội dung người lớn, nên chi tiết khiêu dâm không phải thế mạnh của nó, và mọi cảnh chỉ nên có người trưởng thành, tuyệt đối không có người thật khi chưa được đồng ý.

• Prompt và clip của bạn nằm lại trên máy tính của bạn.
• Không bị từ chối với các chủ đề người lớn tinh tế như boudoir, đồ bơi hay lãng mạn.
• Toàn quyền kiểm soát số bước, seed, giọng nói và nhạc trong quy trình.

Lite hay Pro: nên chạy phiên bản nào

Có hai kích cỡ. Lite có 3 tỷ tham số và là lựa chọn thân thiện cho GPU gia đình. Pro có 29 tỷ, cho chuyển động mượt hơn và chi tiết phong phú hơn, đổi lại tốn nhiều bộ nhớ và thời gian hơn hẳn. Mỗi bản đều có checkpoint gốc (50 bước, CFG 5), bản chưng cất (10 bước, CFG 1) và checkpoint pretrain dành cho tinh chỉnh. Với các clip Kandinsky 6.0 không kiểm duyệt hằng ngày, hãy bắt đầu với một mô hình chưng cất; các template ComfyUI chính thức đã mặc định dùng Pro distilled.

Thời gian là số liệu chính thức trong README cho các mô hình không chưng cất sau khi khởi động; Kandinsky Lab chưa công bố thời gian cho các phiên bản chưng cất.

Cài đặt Kandinsky 6.0 trong ComfyUI và quy trình

Muốn thử trước khi tải hàng chục gigabyte? Kandinsky Lab vận hành một Hugging Face Space miễn phí với Pro distilled. Khi đã sẵn sàng chạy cục bộ, ComfyUI là ngôi nhà dễ nhất cho Kandinsky 6.0 không kiểm duyệt, vì phòng lab phát hành custom node riêng ngay ngày ra mắt. Hỗ trợ gốc trong lõi ComfyUI vẫn là một pull request đang mở, nên hiện tại bạn dùng tiện ích mở rộng:

• Cài đặt: tìm kandinsky6 (và kandinsky6-sr để upscale) trong ComfyUI Manager, hoặc chạy comfy node install kandinsky6 kandinsky6-sr. Tiện ích tạo video yêu cầu ComfyUI 0.38.0 trở lên.
• Quy trình: mở template tích hợp Text to Video+Audio hoặc Image to Video+Audio.
• Tải mô hình: nút Download models của template tải mọi thành phần cần thiết, gồm bộ mã hóa văn bản, VAE video, VAE âm thanh cùng vocoder và bộ upscale.
• Thư mục: mô hình diffusion đặt trong models/diffusion_models, bộ mã hóa văn bản trong models/text_encoders, VAE video trong models/vae và các phần âm thanh trong models/audio_vae.
• Tùy chọn: bộ cải thiện prompt Qwen3.5-9B chiếm thêm khoảng 19 GB; hãy tắt nó nếu thiếu dung lượng ổ đĩa hoặc bộ nhớ.

Yêu cầu VRAM: card 16GB có chạy được không?

Có, Kandinsky 6.0 không kiểm duyệt chạy được trên 16GB, nếu bạn kiên nhẫn. Preset 16GB chính thức chuyển các khối mô hình sang RAM hệ thống, giúp giảm bộ nhớ đồ họa nhưng dồn tải sang RAM và thời gian. Một phân tích độc lập về bài báo ước tính Pro cần khoảng 58 GiB RAM hệ thống ở chế độ này, nên card 16GB thực chất là máy dành cho Lite trừ khi bạn có thật nhiều RAM. Khi nạp toàn bộ lên GPU, đỉnh bộ nhớ đạt khoảng 44 GiB cho Lite và 73 GiB cho Pro. Hãy nhớ rằng kích thước tệp không phải là VRAM đỉnh. Thời gian chính thức cho một clip năm giây:

Mô hình không chưng cất, sau khi khởi động, không tính thời gian nạp trọng số và mã hóa MP4 (README của Kandinsky Lab).

Bản INT8 và lượng tử hóa cho VRAM thấp

Nếu bạn đang tìm bản GGUF thì không có bản chính thức nào. Thay vào đó, cộng đồng cung cấp các tệp INT8 ConvRot. Gói T8star có các mô hình một tệp dung lượng 4,87 GB cho Lite, 3,77 GB cho Lite distilled và 34,97 GB cho Pro distilled, yêu cầu ComfyUI 0.39.0 trở lên, comfy-kitchen 0.2.37 trở lên và GPU NVIDIA có INT8 Tensor Cores. Tác giả đã kiểm chứng trên laptop RTX 5090 24 GB. Bộ thứ hai của kabachuha phụ thuộc vào pull request hỗ trợ gốc của ComfyUI chưa được merge, nên có thể không hoạt động với các node chính thức. Hãy coi cả hai là bản build cộng đồng và so sánh kết quả với bản gốc.

Sửa lỗi ComfyUI và xung đột node

Hầu hết sự cố trên bản cài mới đến từ vài nguyên nhân, nên hãy kiểm tra những điều sau trước khi cài lại mọi thứ:

• Node trùng lặp: tiện ích kandinsky6 chính thức và tiện ích T8star đăng ký cùng tên node. Chỉ bật một trong hai.
• Lệch phiên bản: cập nhật ComfyUI lên phiên bản mà tiện ích yêu cầu, đồng thời giữ comfy-kitchen và driver GPU luôn mới. Kandinsky Lab cung cấp wheel dự phòng cho ComfyUI 0.38.0 với comfy-kitchen 0.2.36.
• Lite gốc cho kết quả lạ: mô hình Lite không chưng cất cần 50 bước và CFG 5, đồng thời gỡ bỏ hoặc bỏ qua MagCache.
• Thiết lập bản chưng cất: dùng 10 bước, CFG 1 và denoise 1, nếu không đầu ra sẽ bị nhòe đục.
• diffusers thuần bị lỗi: gói diffusers đã phát hành có thể chưa hỗ trợ, nên hãy dùng tiện ích ComfyUI hoặc repository riêng của phòng lab.

Upscale Full HD và chuyển ảnh thành video có âm thanh

Hai tính năng bổ sung giúp clip Kandinsky 6.0 không kiểm duyệt hữu dụng hơn nhiều. Thứ nhất, mô hình siêu phân giải riêng (cài kandinsky6-sr) phóng to 2x, 2,25x hoặc 4x, tối đa 1920×1080. Đây là lượt xử lý thứ hai, nên hãy dự trù thêm thời gian và bộ nhớ; template ComfyUI giữ nguyên âm thanh, còn pipeline diffusers thuần chỉ xuất video và bạn phải tự ghép lại âm thanh. Thứ hai, chuyển ảnh thành video có âm thanh: chọn template Image to Video+Audio, nạp một ảnh làm khung hình đầu tiên rồi mô tả chuyển động và âm thanh. Đây là cách tốt nhất để giữ khuôn mặt và trang phục của nhân vật nhất quán giữa các clip.

Công thức prompt cho lời thoại, âm nhạc và âm thanh nền

Mô hình đọc hai mô tả: chú thích video cho hình ảnh và chú thích âm thanh cho phần tiếng. Lời thoại đặt trong chú thích video giữa <S> và <E>, còn nhạc, tiếng động và phong cách giọng nói đặt trong chú thích âm thanh. Những công thức này giúp bạn khai thác tối đa Kandinsky 6.0 không kiểm duyệt; hãy thay bằng chi tiết của riêng bạn:

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

1. Mỗi clip chỉ nên có một hành động và một câu thoại; năm giây trôi qua rất nhanh.
2. Nêu rõ chuyển động máy quay (push-in, orbit, tracking) và nguồn sáng trong mỗi prompt.
3. Mô tả giọng nói: tuổi, độ ấm, tốc độ và chất giọng đều làm thay đổi kết quả.
4. Cố định seed khi chỉnh chú thích âm thanh để nghe được điều gì đã thay đổi.
5. Ghi rõ mọi người xuất hiện đều là người trưởng thành (18+).

So sánh với Wan 2.2 và LTX-2.5

Điểm mạnh là âm thanh gốc cộng với trọng số mở. Trong các bài kiểm tra mù với người thật của phòng lab, Pro vượt LTX-2.5 về chất lượng hình ảnh và lời nói, còn LTX-2.5 nhỉnh hơn một chút về đồng bộ âm thanh–hình ảnh và âm thanh tổng thể, khoảng cách mà bài báo gọi là không đáng kể. LTX-2.5 đã có hỗ trợ ComfyUI gốc nên cài đặt đơn giản hơn. Wan 2.2 tạo video không tiếng, nên bạn phải thêm một mô hình giọng nói riêng; một bài đánh giá thực tế bằng tiếng Nga trên Habr nhận thấy cách này chậm hơn và tốn kém hơn nhưng tốt hơn để giữ một giọng nói xuyên suốt các clip, và đo được bản build Pro lượng tử hóa mất khoảng 144 giây cho mỗi clip năm giây. Đó là cảm nhận của một người thử nghiệm, không phải số liệu của phòng lab.

Không có GPU? Tạo video người lớn ngay trên trình duyệt

Không phải ai cũng có card 24GB hay một buổi chiều rảnh để cài đặt. Spicy AI cung cấp tính năng tạo video không kiểm duyệt tương tự trực tuyến: tải ảnh lên, mô tả chuyển động và nhận một clip ngắn dành cho người lớn (18+), không cần tải gì về. Chỉ dùng ảnh bạn sở hữu hoặc được phép sử dụng, và tuyệt đối không thể hiện trẻ vị thành niên hay người thật khi chưa được đồng ý.

Nguồn tham khảo

• Báo cáo kỹ thuật Kandinsky 6.0 Video (arXiv 2610.05608)
• Repository kandinskylab/kandinsky-6 (GitHub)
• Hướng dẫn chính thức về tiện ích ComfyUI
• Trang mô hình video của Kandinsky Lab
• Thẻ mô hình Kandinsky 6.0 Lite (Hugging Face)
• Thẻ mô hình siêu phân giải video Kandinsky 6.0 (Hugging Face)
• Bản demo Pro distilled miễn phí (Hugging Face Space)
• Node kandinsky6 trên ComfyUI Registry
• Mô hình ComfyUI INT8 của T8star (Hugging Face)
• Pull request hỗ trợ gốc Kandinsky 6.0 (ComfyUI)
• Bài đánh giá thực tế bằng tiếng Nga (Habr)

Thêm hướng dẫn về mô hình video không kiểm duyệt

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