**Kandinsky 6.0 Video:实现音视频同步生成的基础扩散模型**

_Kandinsky 6.0 Video: Foundation Models for Synchronized Video and Audio Generation_

> Kandinsky 6.0 Video 发布,包含 Lite (3B) 和 Pro (29B) 两个版本,支持文本/图像到音视频的同步生成。该模型采用双流 CrossDiT 架构,通过双向交叉注意力实现时间与语义对齐,可生成 5 秒 Full-HD 视频及 44 kHz 音频,并内置唇形同步功能。在人类评估中,Pro 版本在语音质量上表现优异,且代码与模型权重已以 MIT 协议开源。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-10-06 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2610.05608)