Аватар живёт в кеше
3 ноября 2026 года Сбер выложил в открытый доступ Kandinsky Avatar 1.0. На входе фото и запись голоса, на выходе говорящий ролик до минуты, 24 кадра в секунду. Лицензия MIT, коммерческое использование разрешено. Многие сразу подумали: вот и живой консультант для сайта.
Но сколько секунд вы готовы ждать, пока такой консультант откроет рот?
По-моему, здесь ловушка. Модель диффузионная и рендерит готовый файл целиком. Диалогу нужен ответ почти без задержки, а рендеру нужно время. Голос модель тоже не синтезирует, а берёт вашу аудиозапись. Значит, в цепочке нужен ещё отдельный синтез речи.
Поэтому «живого» консультанта собирают обходным путём. Сначала выписывают частые вопросы. Потом заранее рендерят библиотеку ответов. Дальше по запросу подставляют готовый ролик. Генерация уходит в ночную очередь, а пользователь видит кеш.
Естественные сценарии у модели другие: асинхронные видеоответы, курсы, персональные ролики в рассылках, перевод на другие языки. Её обучали на более чем 1 млн видеофрагментов на 95 языках. Лимит в минуту бьёт по длинным форматам: лекцию придётся склеивать из кусков, и на стыках лицо и голос начнут плыть.
Теперь про цифры. В отчёте Kandinsky 5.0 на arXiv базовые видеомодели семейства рассчитаны на 10-секундные ролики. Победы в слепом тесте, включая 54% против HeyGen IV, посчитал сам Сбер. По ссылке лежит Pro-distill на Hugging Face под лицензией MIT, то есть дистиллированная версия, ужатая ради скорости. Её качество я бы проверил сам.
Для продукта это значит, что сложная часть переезжает из генерации в нарезку сценария, склейку и кеш. Плюс выбор железа: Lite работает на домашних видеокартах в SD, Pro выдаёт HD.
Мне кажется, инженер видеопродукта всё больше становится монтажёром и архитектором очередей. Модель отдают бесплатно, а вся ценность продукта в том, что происходит вокруг неё.
1. Замерь, сколько минут рендерятся 60 секунд видео и на какой видеокарте. Реши, хватит ли сценарию асинхронного ответа или нужен живой. Режь текст на куски до 60 секунд по паузам и проверяй стыки глазами. Частые ответы рендери заранее, сравни Lite в SD и Pro в HD на своём лице.
