# Вышла открытая модель Kandinsky S2V 1.0 для создания видео по речи

> Модели Kandinsky S2V 1.0 Lite (2B) и Pro (21B) превращают аудио и одну фотографию в видео с говорящей головой с частотой 25 кадров/с. Код доступен бесплатно по лицензии MIT.

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

15 октября 2026 года исследователи команды Kandinsky представили две новые модели для создания видео по речи. Модели Kandinsky S2V 1.0 Lite и Kandinsky S2V 1.0 Pro создают видео полной продолжительности на основе одного эталонного изображения, аудиофайла и необязательного текстового запроса. Они работают с частотой 25 кадров в секунду и синхронизируют движения губ, мимику, позу и жесты рук с произносимыми словами.

## Возможности моделей

Обе версии используют языковую модель Qwen2.5‑Omni для обработки текста и аудио, а также визуальную память с тремя масштабами, которая сохраняет в поле зрения исходное изображение. В модели Pro — 21 миллиард параметров, а облегчённая Lite насчитывает 2 миллиарда параметров. Для обучения использовали 1,17 миллиона видеоклипов с одним говорящим и подписями на английском и русском языках.

## Производительность и доступность

В сравнительном исследовании с участием людей модель Pro показала результаты не хуже, а в некоторых случаях лучше, чем у самой сильной модели с открытым исходным кодом и двух коммерческих систем, особенно в синхронизации губ. В стандартных тестах для моделей, создающих видео по речи, версии Lite и Pro входят в пятёрку лидеров по пяти метрикам. Дистиллированная версия под названием π‑Flow работает в 5,4 раза быстрее: она создаёт видео за 16 шагов сэмплирования без дополнительного управления и по большинству показателей не уступает базовой модели или превосходит её. Авторы опубликовали код, контрольные точки моделей и интеграцию с Diffusers по лицензии MIT, поэтому скачать и запустить модели может любой желающий.

## Факты

- Статья опубликована на arXiv 15 октября 2026 года.
- В Kandinsky S2V 1.0 Lite — 2 миллиарда параметров, а в Pro — 21 миллиард.
- Для обучения использовали 1,17 миллиона видеоклипов с одним говорящим.
- По итогам оценки людьми модель Pro в среднем не уступает двум коммерческим моделям с закрытым исходным кодом или превосходит их.
- Дистиллированная модель π‑Flow работает в 5,4 раза быстрее базовой Pro.

## Почему это важно

Авторы и создатели контента смогут добавлять в видео говорящих аватаров с реалистичной анимацией, управляемой речью, не оплачивая коммерческий API. Благодаря ускоренной дистиллированной версии такую обработку можно запускать на одной мощной видеокарте, что открывает недорогие возможности для независимых разработчиков и преподавателей.

## Источники и ссылки

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

Обновлено: 2026-10-15