Kandinsky S2V 1.0 语音驱动视频模型发布

2026年10月15日，Nikolay Semenov 等作者在 arXiv Computer Vision 发布 Kandinsky S2V 1.0 技术报告并开源模型。据该报道，Kandinsky S2V 1.0 是一个开源的语音到视频模型系列，包含 2B 参数的 Lite 和 21B 参数的 Pro 两个版本，输入单张参考图、语音波形和文本提示词即可生成 25 FPS 长视频，唇动、表情、姿态和手势跟随语音。报道称，作者以 MIT 许可证发布代码、模型检查点和 diffusers 集成；蒸馏版 Kandinsky S2V 1.0 Pro 模型在无分类器引导下以 16 个采样步生成视频，端到端速度较基础模型提升 5.4 倍，且在几乎所有报告的基准指标上持平或更优。目前事件进展为技术报告与模型开源发布，尚无后续跟进报道。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。