Kandinsky 6.0 Video：用于同步生成视频与音频的基础模型
Kandinsky 6.0 Video 是一系列可生成 5 秒视频的基础模型，支持同步生成 44 kHz 音频和口型，包括唇形同步。Lite 和 Pro 版本分别拥有 30 亿和 290 亿参数，支持文生音视频和图生音视频。内置超分辨率模型可将输出提升至全高清分辨率。该系统采用双流 CrossDiT 架构，通过双向交叉注意力连接视频流与音频流。开发团队以 MIT 许可证发布代码、模型检查点和 Diffusers 集成。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。