Kandinsky 6.0 Video vs. Hailuo 2.3: Eine Preisliste gegen einen Download

Fangen wir mit der Arithmetik an, denn sie ist der einzige Punkt, an dem sich diese beiden überschneiden. Ein sechs Sekunden langer stummer 1080p-Clip von Hailuo 2.3, dem Budget-Videomodell von April 2026, kostet laut Preisliste ein paar Cent pro Sekunde – rund 0,48 $ für den Clip. Ein fünf Sekunden langer Clip mit synchronisiertem 44-kHz-Audio und Lip-Sync von Kandinsky 6.0 Video, das Sbers Kandinsky Lab in der ersten Oktoberwoche 2026 unter MIT als Open Source veröffentlicht hat, kostet nichts pro Clip und etwa sieben Minuten H100-Zeit bei Full HD. Das ist das gesamte Duell in zwei Sätzen, und die Entscheidung, die es impliziert, ist nicht „welches ist besser“ – sondern welchen Zähler du lieber laufen lässt: eine Abrechnung pro Sekunde oder deine eigene Hardware.

Alles andere ergibt sich aus dieser Aufteilung, und die meisten Vergleichsseiten machen es verkehrt herum, indem sie diese als dieselbe Art von Produkt in unterschiedlichen Preisklassen behandeln. Das sind sie nicht. Hailuo 2.3 ist ein Dienst mit dem Briefing eines Stylisten und ohne Ton; Kandinsky 6.0 Video ist eine Checkpoint-Familie in zwei Größen — Pro mit 29B und Lite mit 3B —, bei der Ton das zentrale architektonische Merkmal ist.

Wofür das Billige tatsächlich gut ist

Der Ruf von Hailuo 2.3 ist verdient und spezifisch. Es meistert filmische Kamerabewegungen, menschliche Bewegungen und Mikroausdrücke gut, und bei stilisierten und Anime-Inhalten ist es stärker, als sein Preis vermuten lässt. Es erzeugt Text-zu-Video und Bild-zu-Video bis zu 1080p. MiniMax vermarktet es nicht als fotorealistisches Modell, und das ist es auch nicht – es ist ein Stilist mit einem guten Auge für Bewegung.

Seine Grenzen sind ebenso spezifisch, und sie sind der Grund, warum dieser Vergleich kurz ist.

• Kein nativer Ton. Hailuo 2.3 liefert stumme Ausgabe, und die frühere Hailuo-Generation, die Ton hatte, wird nicht darin weitergeführt. Jeder Clip muss nachgelagert mit Ton versehen werden.

• Clip-Obergrenze von sechs Sekunden bei 1080p, zehn Sekunden bei 768p, ohne Endbild-Kontrolle – sodass sich Clips nicht sauber zu einer Sequenz verketten lassen.

• Nicht in den aktuellen unabhängigen Ranglisten vertreten. Hailuo 2.3 erscheint in der heutigen Form der Text-zu-Video-, Bild-zu-Video- oder Videobearbeitungs-Ranglisten von Artificial Analysis nicht, daher gibt es keinen öffentlichen Elo-Wert, mit dem man es gegen irgendetwas vergleichen könnte. Ältere Hinweise darauf, dass es in einer Video-Arena etwa im Bereich der hohen Zwanziger platziert war, stimmen nicht mit den derzeit veröffentlichten Ranglisten überein und sollten als veraltete Momentaufnahme und nicht als aktuelle Position behandelt werden.

Die Preise werden von zwei verschiedenen Anbietern in zwei unterschiedlichen Währungen angegeben, und beide sind wissenswert. Die eigene API von MiniMax verkauft Prepaid-Punktepakete, wobei ein sechssekündiger Standard-Clip in 768p einen Punkt verbraucht und ein zehnsekündiger 768p- oder sechssekündiger 1080p-Clip zwei – wobei die schnellere Variante Hailuo-2.3-Fast diese auf etwa 0,7 bzw. 1,1 bis 1,3 Punkte senkt. Tracker von Drittanbietern listen einen gleichmäßigeren Satz im Bereich von 0,067 bis 0,082 US-Dollar pro Sekunde auf, einer von ihnen mit 0,0817 US-Dollar/s und unter Verweis auf „bis zu 1080p, max. 10 s pro Clip, stille Ausgabe“ sowie etwa 147 US-Dollar pro Monat für dreihundert sechssekündige Clips. Welchen Weg Sie auch wählen, die Größenordnung ist dieselbe, und es ist die günstigste Generierung in dieser Kategorie.

Das Problem beim Kauf einer überholten Generation

Es gibt eine Tatsache zum Lebenszyklus von Hailuo 2.3, die mehr zählt als jede Spezifikation, und sie ist keine Kritik am Modell. MiniMax ist weitergezogen. Sein Nachfolger, MiniMax H3 – die Hailuo-3-Generation – wurde am 31. Juli 2026 veröffentlicht und ist eine andere Produktklasse: ein omnimodales Modell, das Text-, Bild-, Video- und Audio-Referenzen als einen Kontext liest und Vier- bis Fünfzehn-Sekunden-Clips in 768p oder 2K mit nativem Stereo-Audio erzeugt, abgerechnet pro Sekunde Ausgabe.

Das ist keine Anbieterbehauptung. Es steht auf den unabhängigen Boards, und die Platzierung ist stark:

• Text-zu-Video — MiniMax H3 (768p) auf Platz 4 mit Elo 1.137 (±9) bei 8.315 Stimmen, zu 4,80 $/Min.

• Bild-zu-Video — MiniMax H3 auf Platz 2 mit Elo 1.181 (±8) bei 7.284 Stimmen, für 7,80 $/Min.

• Videobearbeitung — MiniMax H3 auf Platz 2 bei Elo 1.132 (±6) mit 12.043 Stimmen, bei 7,80 $/Min.

Die ehrliche Einordnung eines Kaufs von Hailuo 2.3 im Oktober 2026 ist diese: Man kauft die Budget-Stufe einer Familie, deren Flaggschiff-Generation in beiden Generierungsmodi zu den Top Five gehört, über das Audio verfügt, das 2.3 fehlt, und pro Sekunde vielleicht fünf- bis zehnmal mehr kostet. Das ist eine vertretbare Entscheidung für Styling-Arbeiten mit hohem Volumen – genau dafür ist eine Budget-Stufe da –, aber sie sollte bewusst getroffen werden und nicht die Standardoption sein. Wer 2.3 heute bewertet, sollte zuerst H3 daneben stellen, was den Preis betrifft, denn die Lücke zwischen ihnen ist nicht inkrementell.

Fünf Sekunden gegen sechs, und warum der Unterschied kleiner ist, als er aussieht

In puncto Länge gewinnt Kandinsky 6.0 Video nicht. Es ist auf 121 Frames und 24 fps trainiert – fünf Sekunden – und die Veröffentlichung enthält keinen Erweiterungsmodus. Hailuo 2.3 liefert sechs Sekunden bei 1080p. Keines von beiden reicht für eine durchgehende Szene, und beide bedeuten, dass ein dreißigsekündiges Stück fünf oder sechs Generierungen plus die Übergänge umfasst.

Die Lücken, auf die es ankommt, sind woanders.

• Audio — Kandinsky 6.0 Video: 44 kHz mit Lip-Sync, gemeinsam mit dem Bild erzeugt, immer aktiv. Hailuo 2.3: keines, konstruktionsbedingt.

• Auflösung — Kandinsky 6.0 Video: SD, HD und Full HD über ein dediziertes Super-Resolution-Modell, x2-, x4- oder x2,25-fache Hochskalierungen von Fünf-Sekunden-Clips. Hailuo 2.3: bis zu 1080p, keine SR-Stufe.

• Konditionierung — Kandinsky 6.0 Video: Text-zu-Audio-Video und Bild-zu-Audio-Video, ein Referenzbild, das als maskiertes Endframe angewendet wird. Hailuo 2.3: Text-zu-Video und Bild-zu-Video, keine Endframe-Steuerung.

• Gewichte — Kandinsky 6.0 Video: MIT, Pro und Lite, mit diffusers-Integration und — seit heute Morgen — einer vLLM-Omni-Serving-Pipeline. Hailuo 2.3: nicht veröffentlicht.

• Preise — Hailuo 2.3: pro Sekunde Output oder Punkte gegen ein Prepaid-Paket, mit einer günstigeren Fast-Variante. Kandinsky 6.0 Video: überhaupt kein Tarif; Sie stellen die GPU bereit.

Was die eigenen Belege des Anbieters aussagen – und was nicht

Der Qualitätsnachweis für Kandinsky 6.0 Video ist ungeprüft und sollte auch so beschrieben werden. Sber berichtet von VABench-Ergebnissen, in denen Pro bei Sprachqualität, Audio-Ästhetik, Text-Video- und Audio-Video-Ausrichtung, Lip-Sync-Genauigkeit, Desynchronisation und visuellem Realismus unter den drei bewerteten Systemen führt – dem eigenen Lite-Modell und LTX 2.5. Außerdem wird eine vom Labor durchgeführte menschliche Side-by-Side-Bewertung berichtet, mit ungefähr 200 oder mehr paarweisen Vergleichen pro Kriterium, in der das Modell mit Kling 2.6 und Veo 3.1 Fast konkurrenzfähig ist, bei visuellen Kriterien hinter MiniMax H3 und Dreamina Seedance 2.0 zurückliegt und bei Sprachqualität und Audio-Video-Synchronisation konkurrenzfähig bleibt. Es gibt weder ein blindes öffentliches Elo noch eine externe Reproduktion.

Die Beweislage für Hailuo 2.3 hat die entgegengesetzte Form: weit verbreitet, öffentlich bepreist, aber derzeit nicht in den unabhängigen Video-Ranglisten vertreten, sodass es ebenfalls nicht gegen ein aktuelles Feld eingeordnet werden kann. Keines der beiden Modelle hat das, was ein Käufer am liebsten hätte – und im Fall von Hailuo hat sein eigener Nachfolger es. Das ist die Asymmetrie, die es wert ist, benannt zu werden: Die Familie des einen Modells wurde bereits bewertet und platziert, die des anderen überhaupt nicht bewertet.

Was dann bleibt, ist die Audio-Kluft, und sie ist eine echte Kluft und nicht bloß eine Zeile in einer Feature-Liste. Die Stille von Hailuo 2.3 vereinfacht eines – es gibt keinen Soundtrack zu bewahren, wenn Sie einen Clip einem Mastering-Durchlauf übergeben – und erschwert ein anderes: Jedes Talking-Head-Video, jeder Produkt-Spot mit Narration, jeder Clip, in dem ein Soundeffekt auf eine Aktion fallen muss, besteht jetzt aus zwei Generierungsdurchläufen plus einem Alignment-Schritt, den Sie selbst übernehmen. Die gesamte Architektur von Kandinsky 6.0 Video ist auf dieses Problem ausgerichtet: ein Dual-Stream-CrossDiT, der einen Videostream mit einem von Grund auf generierten Audiostream unter bidirektionaler Cross-Attention koppelt, mit einer Reinforcement-Learning-Stufe, von der das Paper berichtet, dass sie die Wortfehlerrate generierter Sprache um 47 % senkt – gemessen mit Whisper-large-v3, einem der RL-Reward-Modelle, und nicht vergleichbar mit der separaten Wortfehlerrate von Qwen3-ASR-1.7B, die das Paper neben VABench angibt.

Wo ein Router passt – und wo nicht

OrcaRouter bietet weder Kandinsky 6.0 Video noch Hailuo 2.3 an, und keine der beiden Behauptungen wird hier aufgestellt — Kandinsky kannst du selbst herunterladen und ausführen, Hailuo 2.3 wird über MiniMax' eigene API und das Punktesystem erreicht. Was eine auf einem der beiden aufgebaute Pipeline von einem Router braucht, ist der Text rund um das Rendering: die Shot-Liste, die Prompt-Erweiterung, die aus einem Briefing die lange oder kurze Caption macht, auf die diese Modelle trainiert wurden, die Caption- und Dialogarbeit sowie die Review-Zusammenfassungen, die entscheiden, welche Generierung behalten wird. Das sind gewöhnliche Textaufrufe, und sie laufen auf einem einzigen OpenAI-kompatiblen Endpunkt über mehr als 200 Modelle zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass eine Preisänderung eines Anbieters noch am Tag ihres Inkrafttretens auf demselben Schlüssel aktiv ist, mit automatischem Failover, sodass ein fehlgeschlagener Aufruf mitten im Rendering umgeleitet wird, statt den Batch zu verlieren. Die Orchestrierungsschicht um ein Videomodell herum ist ein Routing-Problem, selbst wenn das Videomodell nicht routbar ist — was heute auf beide zutrifft.

Welches soll man wählen?

Wähle Hailuo 2.3, wenn es um Volumen geht, die Ästhetik stilisiert oder animiert ist, das Ergebnis stumm ist und die Kosten pro Clip die entscheidende Einschränkung sind. Es ist die günstigste brauchbare Generierung in der Kategorie und entsprechend bepreist. Vergleiche den Preis von MiniMax H3 damit, bevor du dich festlegst, denn die Flaggschiff-Generierung derselben Familie ist in beiden Modi unter den Top fünf und hat das Audio, das 2.3 nie hatte.

Wählen Sie Kandinsky 6.0 Video, wenn das Ergebnisprodukt Ton benötigt, wenn Fünf-Sekunden-Einheiten zu Ihrer Shotlist passen, wenn Bild-zu-Video-Treue zu einem bereitgestellten Standbild die Anforderung ist und wenn das Besitzen des Modells mehr zählt als das Mieten eines solchen. Gehen Sie die Sache mit den klar benannten Kosten an: keine Rate, eine Fünf-Sekunden-Obergrenze, ein Full-HD-Render, der beim Pro-Modell etwa 402 Sekunden auf einer H100 und 854 auf einer RTX 5090 dauert, Block-Offloading erforderlich unterhalb von 72,8 GiB Spitzenallokation, und eine Qualitätsaussage, die vollständig Sber-eigen ist, bis jemand außerhalb des Labors sie bewertet.

Die Frage unter den beiden Preislisten ist diejenige, die in diesem Quartal über einen Großteil der Video-Infrastruktur entscheidet. Hailuo 2.3 rechnet sekundengenau ab und liefert Ihnen eine Datei; Kandinsky 6.0 Video rechnet eine GPU ab und liefert Ihnen eine Lizenz. Für ein Team, das hundert Clips im Monat generiert, gewinnt die Rechnung auf jeder Achse, die eine Tabellenkalkulation messen kann. Für ein Team, das fine-tunen, offline betreiben oder dasselbe Modell auch nach dem Erscheinen der nächsten Generation noch verwenden will, gewinnt der Download auf der einen Achse, die eine Tabellenkalkulation nicht sehen kann.