# Lanzan Kandinsky S2V 1.0, un modelo abierto para crear avatares parlantes

> Kandinsky S2V 1.0 Lite (2B) y Pro (21B) convierten voz y una sola foto en videos de rostros parlantes a 25 FPS; el código se distribuye gratis con licencia MIT.

Oossa · 2026-10-15 · https://oossa.com/es/kandinsky-s2v-1-0-open-source-audio-driven-avatar-video-model-released

El equipo de Kandinsky anunció dos nuevos modelos de voz a video el 15 October 2026. Los modelos, llamados Kandinsky S2V 1.0 Lite y Kandinsky S2V 1.0 Pro, generan videos completos a partir de una sola imagen de referencia, una forma de onda de audio y un mensaje de texto opcional. Funcionan a 25 frames por segundo y buscan sincronizar los labios, las expresiones faciales, la postura y los gestos de las manos con las palabras pronunciadas.

## Qué pueden hacer los modelos

Ambas versiones utilizan un modelo de lenguaje Qwen2.5‑Omni para procesar texto y audio, además de una memoria visual de tres escalas que mantiene a la vista la imagen de referencia. El modelo Pro tiene 21 billion parámetros, mientras que Lite es una versión más pequeña, con 2 billion. Para entrenarlos se usaron 1.17 million clips de video con un solo hablante, acompañados de subtítulos en inglés y ruso.

## Rendimiento y disponibilidad

En un estudio comparativo con evaluación humana, el modelo Pro igualó o superó al modelo de código abierto más sólido y a dos sistemas comerciales, sobre todo en la sincronización de labios. En pruebas de referencia estándar de voz a video, Lite y Pro se sitúan entre los cinco mejores en cinco métricas. Una variante destilada llamada π‑Flow funciona 5.4 × más rápido y genera video en 16 pasos de muestreo, sin guía adicional, a la vez que iguala o supera al modelo base en la mayoría de las puntuaciones. Los autores publicaron el código, los puntos de control de los modelos y una integración con Diffusers bajo la licencia MIT, para que cualquiera pueda descargarlos y ejecutarlos.

## Los hechos

- El artículo se publicó en arXiv el 15 October 2026.
- Kandinsky S2V 1.0 Lite tiene 2 billion parámetros; Pro tiene 21 billion.
- Los datos de entrenamiento consistieron en 1.17 million clips de video con un solo hablante.
- La evaluación humana mostró que, en promedio, el modelo Pro iguala o supera a dos modelos comerciales propietarios.
- El modelo Pro destilado π‑Flow es 5.4 veces más rápido que el modelo Pro base.

## Por qué importa

Para quienes crean videos y quieren añadirles un avatar parlante, estos modelos de código abierto permiten generar animaciones realistas impulsadas por voz sin pagar por una API comercial. La versión destilada, más rápida, permite ejecutar el proceso en una sola GPU de gama alta y abre opciones de bajo costo para desarrolladores independientes y educadores.

## Fuentes y referencias

1. [Kandinsky S2V 1.0: Audio-Driven Avatar Video Generation](https://arxiv.org/abs/2610.19290) – arXiv cs.CV, 2026-10-15

Última actualización: 2026-10-15