Kandinsky 6.0 Video vs Google Veo 3.1: tres niveles frente a dos tamaños

Abre el informe técnico de Sber para Kandinsky 6.0 Video y busca la sección de comparación directa, y notarás algo que las páginas de comparación pasan por alto: el oponente no es Veo 3.1. Es Veo 3.1 Fast. Sber realizó su evaluación humana frente al nivel intermedio de los tres niveles de Veo, y esa sola elección dice más sobre este enfrentamiento que cualquier afirmación de calidad que contenga. Veo 3.1 está disponible de forma general desde el 17 de noviembre de 2025 en tres niveles de servicio; Kandinsky 6.0 Video llegó en la primera semana de octubre de 2026 en dos tamaños descargables, Pro con 29B y Lite con 3B, bajo licencia MIT. Uno de estos es un servicio que se compra por segundo, el otro es un checkpoint que ejecutas — y la cuestión del nivel, no la de la calidad, es donde realmente reside la decisión.

Veo 3.1 son tres productos con un mismo nombre

El modelo de Google está disponible de forma general en Standard, Fast y Lite; los tres producen la misma familia de formatos: 720p, 1080p y 4K nativo a 24 fps, duraciones nativas de 4, 6 u 8 segundos, con salidas más largas reportadas a 1080p y encadenamiento de extensión de escenas más allá de eso, hasta tres imágenes de referencia para la consistencia de personajes y escenas, además de controles de semilla y prompt negativo. La salida incluye metadatos de procedencia SynthID y C2PA.

Lo que separa a los niveles es el precio y la velocidad, y el panel independiente dice algo incómodo sobre la diferencia. En la tabla de clasificación de texto a video de Artificial Analysis, los tres están dentro de 14 puntos Elo entre sí —Veo 3.1 con 962 (±10) sobre 2.998 votos, Veo 3.1 Fast con 961 (±10) sobre 4.325, Veo 3.1 Lite con 948 (±10) sobre 2.903—, mientras que sus tarifas publicadas son 24,00 $, 7,20 $ y 4,80 $ por minuto. Si lees esos datos juntos, la arena te está diciendo que no puede distinguir de forma fiable los niveles por preferencia. Eso no significa que los niveles sean idénticos; significa que la verdadera pregunta de un comprador es qué nivel supera su umbral, porque el panel de preferencias no se la responderá.

Kandinsky 6.0 Video adopta el enfoque opuesto en cuanto a variación. Hay dos tamaños —Pro de 29B y Lite de 3B— que comparten una sola arquitectura y un único formato de salida fijo: 5 segundos, 121 fotogramas a 24 fps, audio sincronizado de 44 kHz con sincronización labial, a partir de texto o de una imagen de referencia, con un modelo de superresolución aparte que eleva el resultado a Full HD. No hay variante Fast ni modo de extensión. Tú eliges un tamaño y una GPU.

Lo que realmente afirma la propia evaluación del laboratorio

Estos son los únicos datos de comparación directa que existen entre estos dos sistemas, y están reportados por el proveedor en ambos lados de la barra: Sber los ejecutó, Sber los publicó y nadie fuera de Sber los ha reproducido. Enunciarlos con precisión importa más que enunciarlos de forma favorable.

En el modo texto a audio-vídeo, el informe muestra que se prefiere Kandinsky 6.0 Video Pro en artefactos y movimiento de cámara, con márgenes estadísticamente significativos, y ligeramente por delante en realismo del movimiento en un campo dominado por empates. Veo 3.1 Fast lidera en seguimiento de indicaciones visuales, calidad de voz, sincronización audio-vídeo, calidad general del audio, seguimiento de indicaciones de sonido y resolución de tareas del usuario, y todas salvo la de voz alcanzan significación. La calidad visual general está casi igualada, con una ligera ventaja para Veo.

En imagen a vídeo, el patrón se invierte en la mitad visual. Se prefiere Kandinsky 6.0 Video Pro en calidad visual general, alineación con la imagen de referencia, artefactos y movimiento de cámara, todos significativos. Veo 3.1 Fast sigue liderando en seguimiento de indicaciones visuales, sincronización audio-vídeo, calidad de audio general, seguimiento de indicaciones de sonido y resolución de tareas del usuario, también significativos. El realismo del movimiento y la calidad del habla quedan casi a la par.

De aquí se desprenden dos cosas. El resultado de imagen a vídeo es el hallazgo genuino: que un modelo abierto sea preferido en correspondencia con la imagen de referencia y calidad visual general frente a un modelo del nivel de Google, en el propio estudio del laboratorio, es una afirmación real que vale la pena sopesar. Y el resultado de audio es donde Veo mantiene su ventaja independientemente del modo — lo que nos lleva a la señal de alerta que nadie menciona.

El indicador de audio que decide si esa evaluación es justa

Veo 3.1 genera audio estéreo nativo de 48 kHz —diálogo, ambiente, foley— de forma conjunta con la imagen. Es una de las funciones más potentes del modelo. Sin embargo, en la API, el parámetro de audio tiene como valor predeterminado off, y la generación en silencio tiene un precio inferior al de la generación con audio: aproximadamente 0,20 $ por segundo en silencio frente a aproximadamente 0,40 $ por segundo con el audio activado en el nivel Estándar publicado por Google.

Kandinsky 6.0 Video no tiene ese interruptor. El audio forma parte de la salida, y el pipeline de servicio integrado en vLLM-Omni emite AAC a 44,1 kHz de forma predeterminada. Así que los dos modelos no parten del mismo valor predeterminado: uno prioriza el audio y el otro prioriza el silencio, con el sonido como una mejora.

Esa asimetría tiene un costo específico en las comparaciones. Cualquier enfrentamiento directo que ponga a un Veo 3.1 silencioso contra un competidor cuyo audio siempre viene incluido, y luego puntúe al par en una tabla que tiene en cuenta el audio, ha perjudicado a Veo por un accidente de un valor predeterminado. Cuando leas los números de Sber de arriba —o los de cualquier otro—, la primera pregunta que hay que hacer es si el lado de Veo tenía el audio activado. La segunda es cuál era la diferencia de precio, porque en el nivel Standard, activar el sonido duplica el precio.

Cinco segundos frente a ocho, y 1080p frente a 4K nativo

La brecha de formato es donde se hacen visibles los briefs de diseño de ambos modelos.

• Duración del clip — Kandinsky 6.0 Video: 5 s fijos, 121 fotogramas a 24 fps, sin extensión. Veo 3.1: 4, 6 u 8 s nativos, más largos en 1080p, encadenamiento de extensión de escena más allá de eso.

• Resolución — Kandinsky 6.0 Video: SD, HD y Full HD (1920×1080) mediante una pasada de superresolución. Veo 3.1: 720p, 1080p y 4K nativo.

• Procedencia — Kandinsky 6.0 Video: ninguna declarada en el lanzamiento. Veo 3.1: metadatos de SynthID y C2PA en la salida.

• Entrada de referencia — Kandinsky 6.0 Video: una imagen, aplicada como fotograma final enmascarado. Veo 3.1: hasta tres imágenes de referencia, además de semilla y prompt negativo.

• Formato — Kandinsky 6.0 Video: AAC de 44,1 kHz con la imagen, siempre activo. Veo 3.1: estéreo de 48 kHz, opcional, con dos modalidades de precio.

La línea de procedencia es la que tiene consecuencias para la contratación. Si tu entregable tiene que ser trazable —trabajo de marca, emisiones, cualquier cosa que un equipo legal vaya a revisar—, Veo 3.1 adjunta metadatos que indican que el metraje fue generado, y Kandinsky 6.0 Video no lo hace. Eso no es una diferencia de calidad y ninguna prueba comparativa lo mostrará, pero es el tipo de requisito que decide a un proveedor por sí solo, y un modelo abierto que carece de ello no es un sustituto directo para un equipo que lo necesita.

La línea 4K importa de la misma manera, y por la misma razón. El Full HD de Kandinsky 6.0 Video es real — hay un SR dedicado, y el paquete SR del repositorio admite escalados x2, x4 y x2.25 de clips de cinco segundos — pero llega hasta donde la ruta nativa de Veo 3.1 comienza en su extremo superior. Para el trabajo en pantallas grandes, ese techo no es negociable.

Lo que cuesta un clip en cada lado

Veo 3.1 se factura por segundo. En el nivel Standard, un clip de cinco segundos en 1080p con audio cuesta unos $2.00, y ese mismo clip sin audio unos $1.00; Fast y Lite quedan por debajo, y como sus puntuaciones de arena caen dentro del intervalo de confianza de las de Standard, es difícil rebatir los niveles más baratos según la evidencia.

Kandinsky 6.0 Video no tiene factura. Tiene tiempo de GPU. Las cifras del repositorio para el modelo no destilado, medidas tras el calentamiento con la carga de pesos y la codificación MP4 excluidas, sitúan un clip Pro Full HD de cinco segundos en unos 402 segundos en una H100, 854 segundos en una RTX 5090, 1.247 segundos en una RTX 4090 y 3.530 segundos en una RTX 5060 Ti. Lite Full HD tarda 284 segundos en una H100. La asignación máxima en una ejecución Pro SD alcanza los 72,8 GiB, así que cualquier cosa por debajo de eso necesita descarga por bloques — y el preajuste de 16 GB cuantiza el codificador de texto a NF4, el único cambio de preajuste que el artículo confirma que altera el propio clip en lugar de introducir ruido a nivel de redondeo.

Esas dos estructuras de costos no son comparables. Una es una factura que proyectas por cada segundo finalizado; la otra es una máquina que compras, un render medido en minutos y la opción de ajuste fino, que Veo 3.1 no ofrece en ningún nivel.

La cuestión del nivel es una cuestión de enrutamiento

OrcaRouter no sirve ni Google Veo 3.1 ni Kandinsky 6.0 Video, y aquí no se insinúa ninguna de las dos cosas — a Veo 3.1 se accede a través de las propias plataformas de Google y Kandinsky es cosa tuya descargarlo. Pero merece la pena nombrar la estructura de la decisión sobre Veo, porque es el problema que nuestra capa de enrutamiento existe para resolver en el lado del texto: tres niveles cuyas puntuaciones independientes son indistinguibles y cuyos precios difieren cinco veces es exactamente el caso en el que «enrutar el barato y escalar solo cuando no se supera el listón» supera a «estandarizar en el buque insignia». El enrutamiento adaptativo y el DSL de enrutamiento de OrcaRouter expresan eso como una política configurada en más de 200 modelos de texto en un único endpoint compatible con OpenAI, al precio de lista del proveedor con un 0% de recargo, con conmutación por error automática cuando una ruta se cae. El mismo instinto aplicado al gasto en vídeo — Fast por defecto, Standard para las tomas que importan — es una decisión de compra que puedes tomar hoy mismo sin necesidad de ningún enrutador.

¿Cuál, para quién?

Elige Veo 3.1 si el entregable requiere que el sonido se tome en serio, si necesita 4K o un clip de más de cinco segundos, o si alguien en etapas posteriores requiere metadatos de procedencia. Elige el nivel de forma deliberada en lugar de usar Standard por defecto, y presupuesta el indicador de audio en vez de descubrirlo en la factura.

Elige Kandinsky 6.0 Video si quieres los pesos, si cinco segundos encajan con tu unidad de trabajo y si el trabajo consiste en la fidelidad de imagen a vídeo frente a una imagen fija proporcionada: la única dimensión en la que el propio estudio del laboratorio lo sitúa por delante de un nivel de Veo por márgenes significativos. Entra sabiendo que el audio siempre está activado, que la procedencia está ausente y que la afirmación sobre la calidad se apoya enteramente en un informe que escribió su autor.

La asimetría a la que hay que aferrarse es que Veo 3.1 lleva once meses en producción y, por lo tanto, ha acumulado lo que un modelo abierto lanzado este mes no puede: un conjunto cartografiado de modos de fallo que sus usuarios ya han publicado, y una curva de precios que un equipo financiero puede modelar. Frente a eso, la licencia MIT de Kandinsky significa que el modelo en tu disco no depende de la hoja de ruta de nadie. Cuál de esas cosas vale más no es una pregunta de benchmark.