视频生成两连发：Kandinsky 让声音画面一起长出来，Vidu Q4 把价格打到 1 秒 9 分钱

视频生成两连发：Kandinsky 让声音画面一起长出来，Vidu Q4 把价格打到 1 秒 9 分钱

做 AI 视频的人最近应该挺忙：一周内，两个方向的进展先后落地——一个解决"声画一致"，一个解决"价格太贵"。

Kandinsky 6.0 Video：视频和音频，一起生成

Kandinsky 实验室发布了 Kandinsky 6.0 Video（GitHub 251 stars）：一个用于同步生成视频和音频的基础模型。

这个方向解决的问题很具体：现在的 AI 视频大多"先画面后配音"，或者画面和声音分开生成再拼，结果就是——嘴型和声音对不上、环境音和画面脱节、节奏错位。Kandinsky 6.0 想做的，是让画面和声音作为同一件事被生成出来，从源头保证多模态的一致性。

对做视频的人，这意味着一道工序的省去：不用再手动对齐声画、不用再后期配音对节奏。视频本身就是"带声音的"，AI 生成时就该一起给。

Vidu Q4 预览版：价格打到 1 秒 9 分钱

生数科技开放的 Vidu Q4 预览版，走的是另一条路：把价格打下来。

量子位实测：做一个 GTA6 风格的小视频，一分钟只要 5.4 元——折算 0.09 元/秒（720P 起步价）。官方说法很直接："花同样的钱，拍 5 倍的戏"。

• 画质：最高 4K 直出，2K/4K 超清规格也能放量生成
• 参考素材：一次最多 15 张参考图 + 3 段参考音频
• 演技：情感表现拿捏得住（量子位实测角色"潸然泪下"的戏，表情到位）
• 适用：尤其适合游戏风格视频的低成本制作

怎么用

Vidu Q4（偏实用）：进入"参考生视频"页面 → 上传图片/音频素材 → 嵌进提示词对应位置 → 选 Vidu Q4 预览版 → 调时长、清晰度、宽高比、生成数量 → 生成。想做游戏风短片、短视频素材，先拿它试，成本几乎可以忽略。

Kandinsky 6.0（偏底层）：开源基础模型，适合需要"声画同步"能力的团队直接部署/研究，跑在自己的推理环境里。

信号强度

两个项目合起来看，AI 视频生成正在同时解决两个致命伤：一致性（Kandinsky 解决声画不同步）和 成本（Vidu 把单价打到毛票级）。当"生成一段能用的视频"既不用对齐声画、又便宜到随便试，视频创作的边际成本会急剧下降——这对个人创作者是好消息，对依赖"做视频收费"的行业则是重新定价的信号。

对做 MV、先导片、短视频的人，建议现在就试一轮 Vidu Q4——9 分钱一秒的价格，足够你大胆试错；而如果你要批量做带声音的内容，关注 Kandinsky 6.0 的声画同步能力，它能帮你省掉最痛苦的对齐环节。

Kandinsky 6.0：https://github.com/kandinskylab/kandinsky-6

Vidu Q4 原文：https://www.qbitai.com/2026/10/502049.html