# Kandinsky S2V 1.0、音声で動くアバター動画モデルを公開

> 新モデルのKandinsky S2V 1.0 Lite（2B）とPro（21B）は、音声と1枚の写真から25 FPSのトーク動画を生成。コードはMITライセンスで公開された。

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

Kandinskyチームの研究者らは2026年10月15日、音声から動画を生成する2つの新モデルを発表した。Kandinsky S2V 1.0 LiteとKandinsky S2V 1.0 Proは、1枚の参照画像と音声波形、任意のテキストプロンプトをもとに、長さを問わず動画を生成する。フレームレートは25フレーム/秒で、話し言葉に合わせて唇の動きや表情、ポーズ、手振りを同期させることを目指している。

## モデルでできること

どちらのモデルも、テキストと音声の条件付けにQwen2.5-Omni言語モデルを使い、参照画像を保持する3段階の視覚メモリーを備える。Proは21 billion parameters、Liteはより小規模な2 billion parametersのモデルだ。学習には、英語とロシア語のキャプションが付いた、単独話者の動画クリップ117万本を使用した。

## 性能と利用方法

人を対象にした比較評価では、Proモデルは最も強力なオープンソースのベースラインと2つの商用システムに匹敵するか、それを上回り、特にリップシンクで優れた結果を示した。標準的な音声動画生成ベンチマークでは、LiteとProはいずれも5つの指標で上位5モデルに入った。π-Flowと呼ばれる蒸留版は5.4 ×高速で、追加のガイダンスなしに16回のサンプリングステップで動画を生成し、多くのスコアでベースモデルと同等以上の性能を発揮する。開発者らはコード、モデルのチェックポイント、Diffusersとの連携機能をMITライセンスで公開しており、誰でもモデルをダウンロードして実行できる。

## 事実

- 論文は2026年10月15日にarXivで公開された。
- Kandinsky S2V 1.0 Liteは2 billion parameters、Proは21 billion parametersを持つ。
- 学習データは単独話者の動画クリップ117万本で構成される。
- 人による評価では、Proモデルは平均で2つのプロプライエタリな商用モデルに匹敵するか、それを上回った。
- 蒸留版のπ-Flow Proモデルは、ベースのProモデルより5.4倍高速。

## なぜ重要か

動画に話すアバターを加えたいクリエイターは、オープンソースモデルを使えば、商用APIに料金を払わずに、音声に合わせたリアルなアニメーションを生成できる。高速な蒸留版なら高性能GPU1台での実行も現実的になり、インディー開発者や教育関係者に低コストの選択肢が広がる。

## 出典と参考資料

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

最終更新: 2026-10-15