El 6 de octubre de 2026, Sber habilitó en GigaChat la generación de vídeo con sonido: la inteligencia artificial crea la imagen y la sonoriza de forma autónoma, con voz, música y ruidos de ambiente. Para los usuarios de GigaChat es gratuito, sin necesidad de tarjetas de crédito ni de métodos alternativos. El vídeo resultante tiene una duración de hasta cinco segundos y calidad de hasta Full HD.
Para los creadores de vídeos cortos, esto supone la llegada de una herramienta para crear insertos, cortinillas y borradores de escenas UGC que funciona sin necesidad de VPN. A continuación, analizamos qué sabe hacer, qué no, y cómo integrar estos fragmentos de cinco segundos en un vídeo real.
¿Qué es exactamente lo nuevo?
La generación corre a cargo del nuevo modelo de Sber: Kandinsky 6.0 Video. Su principal diferencia con versiones anteriores es que la imagen y el sonido se crean juntos en un único modelo, en lugar de ensamblarse después. Gracias a esto, los labios de un personaje se mueven al compás de su frase, el sonido de los pasos se sincroniza con el movimiento y la música cambia junto con la escena.
La escena se puede definir de dos maneras:
- Describir con texto qué sucede, quién habla y qué sonidos se necesitan.
- Subir el primer fotograma (una foto o imagen propia) y describir por separado qué debe ocurrir y cómo debe sonar.
El sonido es opcional, ya que el modelo también puede generar vídeos sin audio.
Características: lo que promete Sber
| Parámetro | Valor |
|---|---|
| Duración del vídeo con sonido | hasta 5 segundos |
| Calidad | SD, HD o Full HD (hasta 1920×1080) |
| Frecuencia de sonido | 44 kHz |
| Frecuencia de fotogramas | aprox. 24 fotogramas por segundo |
| Qué incluye el sonido | voz con sincronización labial, música, ruidos de ambiente, efectos |
| Precio para el usuario de GigaChat | gratis |
| Tiempo por generación | unos 8 minutos (según ppc.world) |
Cinco segundos es el límite actual. Sber afirma que planea aumentarlo, pero no ha concretado fechas.
¿Qué tan bueno es en comparación con otros?
Es importante entender el origen de estas cifras. Todas las comparaciones a continuación son declaraciones del propio Sber; todavía no existen mediciones independientes:
- El nuevo modelo supera al anterior, Kandinsky 5.0, en aproximadamente el 71 % de los casos según todos los criterios.
- En calidad visual y precisión de movimiento, supera al modelo abierto LTX 2.5 y al modelo cerrado Veo 3.1 Fast.
- En el artículo científico del equipo, la afirmación es más cautelosa: Kandinsky 6.0 Video supera a LTX 2.5 en la mayoría de las métricas de la prueba VABench y «sigue siendo competitivo» frente a los modelos cerrados, especialmente en la calidad de la voz generada.
Sobre los datos de entrenamiento, Sber informó de «más de 20 millones de vídeos con sonido». En el artículo del equipo, el desglose es más detallado: 50 millones de imágenes, 20 millones de escenas de vídeo, 40 millones de pistas de audio y 7 millones de fragmentos donde el vídeo y el sonido están sincronizados.
El modelo también se ha liberado para desarrolladores
Como noticia adicional, Sber ha publicado el modelo en acceso abierto bajo la licencia MIT. Es la más permisiva de las licencias comunes, ya que permite su uso en productos comerciales.
«Entregamos el modelo Kandinsky 6.0 Video a los desarrolladores de forma gratuita y sin restricciones».
—Anton Frolov, vicepresidente sénior y jefe de la división de Desarrollo de IA Generativa de Sberbank.
Lo que se ha publicado:
| Componente | Detalles |
|---|---|
| Versiones del modelo | Lite (3000 millones de parámetros) y Pro (unos 30 000 millones) |
| Escalado a Full HD | un modelo independiente de 1000 millones de parámetros para aumentos de ×2 y ×4 |
| Dónde encontrarlo | Hugging Face y GitHub |
| Con qué funciona | Diffusers, FAL, FastVideo, ComfyUI |
| Para ejecución local | a partir de 16 GB de VRAM (según «Habr»); la ficha del modelo indica que se pueden descargar partes a la RAM para reducir los requisitos de VRAM |
Un detalle técnico útil: el modelo base genera vídeo a una resolución modesta de 864×480. El Full HD se consigue mediante escalado con un modelo aparte. Es decir, el «Full HD» en este caso es una imagen ampliada, no una captura nativa en 1080p. En insertos cortos, la diferencia es casi imperceptible, pero si se estira el fotograma a pantalla completa, la falta de nitidez será notable.
¿Cómo puede usarlo un creador de vídeos cortos?
Cinco segundos no es un vídeo, es una pieza. Aquí es donde realmente resultan útiles:
Entradilla y cierre
Una escena de cinco segundos con el ambiente y el sonido adecuados es una entradilla perfecta para una serie de vídeos. La creas una vez y la usas en todos los episodios.
Planos de recurso para voz en off
Cuando estás contando algo pero no tienes qué mostrar, una escena de cinco segundos rellena ese hueco. En este caso, es mejor atenuar el audio generado y dejar que tu voz sea la protagonista.
Borrador para un cliente
Si creas UGC y necesitas validar una idea, es más fácil mostrar una escena de cinco segundos que explicarla con palabras. La grabación posterior es más rápida porque todos los implicados ya han visualizado el concepto.
Animar una fotografía
El modo «primer fotograma + descripción» es una forma de dar movimiento a una imagen estática. Para fotos de archivo, capturas de pantalla y tomas de producto, ofrece más posibilidades que la generación desde cero.
La técnica para unirlos es sencilla: genera 4 o 6 escenas diferentes de cinco segundos, móntalas en un solo vídeo y añade una pista de audio unificada. Así, el espectador no percibe la duración de cada fragmento y la música enmascara las posibles diferencias de estilo entre las escenas.
Sobre el etiquetado: no lo olvides
TikTok, YouTube e Instagram exigen que se marque el contenido realista generado por IA. La etiqueta se añade en la propia plataforma al subir el vídeo, no en GigaChat. Si creas un inserto que podría pasar por una grabación real, es mejor añadir la etiqueta: las plataformas reducen el alcance por omitirla y, en casos graves, retiran la monetización. Los gráficos abstractos y las escenas que son claramente una ilustración están exentos de este requisito.
Lo que aún no se sabe
Seamos honestos sobre lo que Sber no ha explicado:
- Cuántas generaciones al día permite el acceso gratuito. La palabra «gratis» figura en el comunicado de prensa, pero no el límite numérico. Habrá que comprobarlo en la práctica.
- Si habrá planes de pago más adelante. No se ha mencionado nada al respecto.
- Formato vertical. En las fichas de los modelos y en los ejemplos, la resolución es horizontal (864×480 y 1920×1080). No ha habido comunicados sobre el formato 9:16, necesario para Shorts, Reels y VK Clips. Por ahora, asume que tendrás que recortar el fotograma horizontal.
- Condiciones de uso de los vídeos de GigaChat. La licencia MIT se aplica al modelo que descargas. Lo que puedes hacer con el vídeo creado dentro del servicio GigaChat lo determinan las reglas del servicio, y no ha habido una aclaración específica para este lanzamiento.
- Cuándo aumentarán el límite de 5 segundos. Hay planes declarados, pero no hay fechas.
Si alguno de estos puntos es crítico para ti, no bases tu flujo de trabajo en él hasta que Sber lo aclare oficialmente.
Preguntas frecuentes
¿Qué IA para crear vídeos gratis funciona en Rusia sin restricciones?
GigaChat con el modelo Kandinsky 6.0 Video. Es un servicio ruso, por lo que se abre sin necesidad de métodos alternativos, y la generación de vídeo es gratuita. Analizamos otras alternativas y su disponibilidad en el artículo Sora ya no está disponible: por qué y con qué reemplazarlo — alternativas de IA para vídeo en Shorts, Reels y UGC.
¿Cómo hago un vídeo con sonido en GigaChat?
Describe la escena con texto e indica por separado qué debe sonar: quién habla y qué frase dice, qué música, qué ruidos. También puedes subir el primer fotograma y añadir una descripción de la acción y el sonido. Elige la calidad (SD, HD o Full HD). Una generación tarda unos ocho minutos.
¿Cuánto dura un vídeo de GigaChat?
Hasta cinco segundos con sonido. Han prometido aumentar el límite, pero no se sabe cuándo. Para un vídeo completo, es necesario unir varias escenas de cinco segundos.
¿Puedo subir estos vídeos a TikTok, Shorts y Reels?
Técnicamente, sí. Ten en cuenta dos cosas: el fotograma es horizontal, por lo que tendrás que recortarlo para el formato vertical, y las escenas realistas de IA deben etiquetarse al subirlas en la propia plataforma. Las herramientas para montar y perfeccionar el vídeo están recopiladas en el artículo IA para editar vídeos: los 15 mejores editores con IA de 2026, gratis y de pago.
¿Dónde descargo Kandinsky 6.0 Video y qué necesito para ejecutarlo?
Los pesos y el código están en Hugging Face y GitHub bajo la licencia MIT, y hay integración con Diffusers, ComfyUI, FAL y FastVideo. Para ejecutarlo localmente, según «Habr», se necesitan al menos 16 GB de VRAM. La versión Lite (3000 millones de parámetros) requiere menos que la Pro. Si no tienes una tarjeta gráfica potente, es más fácil usar GigaChat.
¿Son necesarios los subtítulos si el sonido lo genera el modelo?
Sí. La voz generada es para frases cortas, y los vídeos de este formato se ven a menudo sin sonido. Cómo hacer subtítulos gratis lo explicamos aquí: Subtítulos para vídeos gratis: ahora Grok los corrige y traduce en X.
Herramientas gratuitas como esta reducen la barrera de entrada: una escena por la que antes se pagaba en un rodaje ahora se puede generar en ocho minutos. En Prime Oracles, los briefs de las marcas están disponibles públicamente: en la sección «Recompensas por contenido» puedes ver las condiciones y el pago por visualizaciones (CPV), y puedes aceptar un brief con el botón «Empezar a trabajar».
Fuentes: comunicado de prensa de Sber (CNews), ixbt, «Habr», ppc.world, modelos en Hugging Face, artículo científico del equipo.