Kandinsky S2V 1.0: modelos de avatares parlantes con pesos abiertos y licencia MIT

Kandinsky Lab, el equipo responsable de los modelos Kandinsky de Sber, ha publicado Kandinsky S2V 1.0, una familia de modelos «speech-to-video» que transforma una imagen y una pista de voz en el vídeo de una persona hablando. El código está en GitHub y los pesos en Hugging Face; el medio especializado mlllm.io informó de ello el 3 de noviembre de 2026. Tanto el código como los pesos están bajo licencia MIT, lo que autoriza su uso comercial. Algo poco habitual para este tipo de herramientas, dominadas hoy en día por servicios cerrados de avatares y sincronización labial.

Todo el cuerpo, no solo la boca

El README insiste en un aspecto: se anima toda la silueta, no solo la cabeza. A partir de una imagen de referencia, una grabación de voz y una breve descripción, el modelo produce un vídeo a 25 fotogramas por segundo en el que el movimiento de los labios, la expresión, la postura y los gestos acompañan al habla. La salida está disponible en definición estándar o en HD, con la misma relación de aspecto que la imagen original. Los discursos extensos se generan mediante bloques de 5 segundos conectados a través de una memoria de los fotogramas anteriores.

Se ofrecen dos tamaños: Lite, con 2.000 millones de parámetros, y Pro, con 21.000 millones, cada uno acompañado de una versión destilada más rápida. En el plano técnico, los modelos parten de Kandinsky 5.0 Video y utilizan Qwen2.5-Omni para procesar tanto el texto como el audio de forma simultánea, en sustitución de los codificadores de voz habituales. El equipo indica haberlos entrenado con 1,17 millones de secuencias de un solo hablante, descritas en inglés y en ruso. Existe una integración con la biblioteca Diffusers, aunque todavía no forma parte de una versión publicada oficial.

Abierto, pero no ligero

La licencia es abierta; las exigencias de hardware, mucho menos. El repositorio requiere una GPU NVIDIA de 48 GB o más, y 80 GB en el caso de la resolución HD. Una opción de división del decodificador reduce el consumo a unos 28 GB, aunque deja ligeras uniones visibles. Incluso en su variante destilada, la versión Lite tarda casi 9 segundos en generar un segundo de vídeo en una H100. No se ofrece API ni tabla de precios: se trata de una publicación de investigación, acompañada de una demo en línea en Hugging Face.

En cuanto a la calidad, los datos provienen del propio equipo. Afirma que, en comparativas a ciegas, la versión Pro iguala o supera al mejor modelo de código abierto y a dos modelos comerciales no especificados, y que resulta preferida en sincronización labial. Todavía no se han publicado evaluaciones independientes.