# انتشار مدل متن‌باز Kandinsky S2V 1.0 برای ساخت ویدئو با صدا

> مدل‌های جدید Kandinsky S2V 1.0 Lite (2B) و Pro (21B) با دریافت گفتار و یک عکس، ویدئوی چهره‌ای سخنگو با نرخ 25 FPS می‌سازند و کدشان با مجوز MIT رایگان است.

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

پژوهشگران تیم Kandinsky در 15 October 2026 از دو مدل جدید تبدیل گفتار به ویدئو رونمایی کردند. این مدل‌ها که Kandinsky S2V 1.0 Lite و Kandinsky S2V 1.0 Pro نام دارند، با دریافت یک تصویر مرجع، یک موج صوتی و در صورت تمایل یک دستور متنی، ویدئویی با هر مدت‌زمانی تولید می‌کنند. این مدل‌ها با نرخ 25 فریم‌برثانیه اجرا می‌شوند و برای هماهنگ‌کردن حرکت لب‌ها، حالت چهره، ژست بدن و حرکات دست با کلمات گفته‌شده طراحی شده‌اند.

## مدل‌ها چه قابلیت‌هایی دارند؟

هر دو نسخه برای دریافت متن و صدا از مدل زبانی Qwen2.5‑Omni استفاده می‌کنند و حافظه بصری سه‌مقیاسی دارند که تصویر مرجع را در نظر نگه می‌دارد. مدل Pro دارای 21 میلیارد پارامتر است و نسخه Lite مدل کوچک‌تری با 2 میلیارد پارامتر است. برای آموزش مدل‌ها از 1.17 میلیون کلیپ ویدئویی تک‌گوینده با زیرنویس انگلیسی و روسی استفاده شده است.

## عملکرد و دسترسی

در یک مطالعه انسانیِ مقایسه‌ای، مدل Pro به‌اندازه قوی‌ترین مدل متن‌باز و دو سامانه تجاری عملکرد داشت یا از آن‌ها بهتر بود؛ به‌ویژه در هماهنگی حرکت لب‌ها. در معیارهای استاندارد تبدیل گفتار به ویدئو، مدل‌های Lite و Pro در پنج سنجه جزو پنج مدل برتر هستند. نسخه تقطیرشده‌ای به نام π‑Flow با سرعتی 5.4 × بیشتر اجرا می‌شود و بدون راهنمایی اضافی، با 16 گام نمونه‌برداری ویدئو تولید می‌کند؛ در بیشتر امتیازها نیز با مدل پایه برابری می‌کند یا از آن بهتر است. نویسندگان کد، نقاط بررسی مدل و یکپارچه‌سازی Diffusers را با مجوز MIT منتشر کرده‌اند؛ بنابراین همه می‌توانند مدل‌ها را دانلود و اجرا کنند.

## حقایق

- مقاله در 15 October 2026 در arXiv منتشر شد.
- Kandinsky S2V 1.0 Lite دارای 2 میلیارد پارامتر و نسخه Pro دارای 21 میلیارد پارامتر است.
- داده‌های آموزشی شامل 1.17 میلیون کلیپ ویدئویی تک‌گوینده بود.
- ارزیابی انسانی نشان داد مدل Pro به‌طور میانگین با دو مدل تجاری اختصاصی برابری می‌کند یا از آن‌ها بهتر است.
- مدل تقطیرشده π‑Flow در مقایسه با مدل پایه Pro، 5.4 برابر سریع‌تر است.

## چرا مهم است

مدل‌های متن‌باز به سازندگانی که می‌خواهند آواتاری سخنگو به ویدئو اضافه کنند، امکان می‌دهند بدون پرداخت هزینه API تجاری، انیمیشنی واقع‌گرایانه و مبتنی بر گفتار بسازند. نسخه تقطیرشده سریع‌تر، اجرای فرایند را روی یک GPU رده‌بالا عملی می‌کند و گزینه‌هایی کم‌هزینه در اختیار توسعه‌دهندگان مستقل و آموزگاران می‌گذارد.

## منابع و ارجاع‌ها

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

آخرین به‌روزرسانی: 2026-10-15