Kandinsky 6.0 Video vs Hailuo 2.3: una lista de precios frente a una descarga

Empecemos por la aritmética, porque es el único terreno en el que estos dos coinciden. Un clip silencioso de seis segundos en 1080p de Hailuo 2.3, el modelo de vídeo económico de abril de 2026, se cotiza a unos pocos centavos por segundo — unos 0,48 $ por el clip. Un clip de cinco segundos con audio sincronizado de 44 kHz y sincronización labial de Kandinsky 6.0 Video, que Kandinsky Lab de Sber publicó como código abierto bajo licencia MIT en la primera semana de octubre de 2026, no cuesta nada por clip y consume unos siete minutos de tiempo de H100 en Full HD. Ese es todo el enfrentamiento en dos frases, y la decisión que implica no es "cuál es mejor" — es qué medidor prefieres poner en marcha: una factura por segundo, o tu propio hardware.

Todo lo demás se desprende de esa división, y la mayoría de las páginas de comparación lo entiende al revés al tratar ambos como el mismo tipo de producto a distintos precios. No lo son. Hailuo 2.3 es un servicio con un brief de estilista y sin sonido; Kandinsky 6.0 Video es una familia de checkpoints de dos tamaños —Pro con 29B y Lite con 3B— con el sonido como su característica arquitectónica central.

En qué es realmente bueno el barato

La reputación de Hailuo 2.3 es merecida y específica. Maneja bien el movimiento cinematográfico de cámara, el movimiento humano y las microexpresiones, y es más fuerte de lo que su precio sugiere en contenido estilizado y de anime. Produce texto a video e imagen a video de hasta 1080p. MiniMax no lo comercializa como un modelo fotorrealista y no lo es: es un estilista con buen ojo para el movimiento.

Sus límites son igualmente específicos, y son la razón de que esta comparación sea breve.

Sin audio nativo. Hailuo 2.3 ofrece una salida silenciosa, y la generación anterior de Hailuo que sí tenía audio no se hereda en esta versión. Cada clip necesita que se le añada sonido en una fase posterior.

• Límite de clip de seis segundos a 1080p, diez segundos a 768p, sin control de fotograma final, por lo que los clips no se encadenan limpiamente en una secuencia.

• No en los tableros independientes actuales. Hailuo 2.3 no aparece en las clasificaciones de texto a vídeo, imagen a vídeo o edición de vídeo de Artificial Analysis tal como se publican hoy, así que no hay un Elo público con el que compararlo con nada. Las referencias más antiguas de que se situaba alrededor de los veintitantos altos en una arena de vídeo no coinciden con los tableros publicados actualmente, y deben tratarse como una instantánea obsoleta en lugar de una posición actual.

Los precios se cotizan en dos monedas por dos partes diferentes y vale la pena conocer ambas. La propia API de MiniMax vende paquetes de puntos de prepago, donde un clip estándar de seis segundos a 768p consume un punto y un clip de diez segundos a 768p o de seis segundos a 1080p consume dos — con la variante más rápida Hailuo-2.3-Fast reduciendo esos valores a aproximadamente 0,7 y 1,1 a 1,3 puntos. Los rastreadores de terceros enumeran una tarifa más plana en el rango de $0,067 a $0,082 por segundo, uno de ellos a $0,0817/s y citando "hasta 1080p, 10s máx por clip, salida silenciosa" y alrededor de $147 al mes por trescientos clips de seis segundos. Cualquiera sea el camino que tomes, el orden de magnitud es el mismo y es la generación más barata de esta categoría.

El problema de comprar una generación superada

Hay un hecho sobre el ciclo de vida de Hailuo 2.3 que importa más que cualquier especificación, y no es una crítica al modelo. MiniMax ha pasado página. Su sucesor, MiniMax H3 —la generación Hailuo 3— se lanzó el 31 de julio de 2026 y es una clase de producto diferente: un modelo ómnimodal que lee referencias de texto, imagen, vídeo y audio como un único contexto, genera clips de cuatro a quince segundos en 768p o 2K con audio estéreo nativo y se factura por segundo de salida.

Eso no es una afirmación de un proveedor. Está en los tableros independientes, y la posición es sólida:

• Texto a video — MiniMax H3 (768p), 4.º con un Elo de 1.137 (±9) sobre 8.315 votos, a 4,80 $/min.

• Imagen a vídeo — MiniMax H3, 2.º en Elo 1.181 (±8) con 7.284 votos, a $7,80/min.

• Edición de vídeo — MiniMax H3 2.º en Elo 1.132 (±6) sobre 12.043 votos, a $7,80/min.

Así que la forma honesta de enmarcar una compra de Hailuo 2.3 en octubre de 2026 es esta: estás comprando el nivel económico de una familia cuya generación insignia está entre las cinco mejores en ambos modos de generación, tiene el audio del que carece 2.3 y cuesta quizá entre cinco y diez veces más por segundo. Es una decisión defendible para trabajo de estilización de alto volumen —es exactamente para lo que sirve un nivel económico—, pero debería ser una decisión deliberada, no una opción por defecto. Cualquiera que evalúe 2.3 hoy debería comparar primero el precio de H3 con el suyo, porque la brecha entre ambos no es incremental.

Cinco segundos frente a seis, y por qué la diferencia es más pequeña de lo que parece

En cuanto a duración, Kandinsky 6.0 Video no gana. Está entrenado con 121 fotogramas y 24 fps —cinco segundos— y la versión publicada no incluye ningún modo de extensión. Hailuo 2.3 ofrece seis segundos a 1080p. Ninguno de los dos basta para una escena continua, y ambos implican que una pieza de treinta segundos requiera cinco o seis generaciones más las uniones.

Las brechas que importan están en otro lugar.

• Audio — Kandinsky 6.0 Video: 44 kHz con sincronización labial, producido conjuntamente con la imagen, siempre activado. Hailuo 2.3: ninguno, por diseño.

• Resolución — Kandinsky 6.0 Video: SD, HD y Full HD mediante un modelo dedicado de superresolución, escalados x2, x4 o x2.25 de clips de cinco segundos. Hailuo 2.3: hasta 1080p, sin etapa SR.

• Condicionamiento — Kandinsky 6.0 Video: texto a audio-video e imagen a audio-video, una imagen de referencia aplicada como fotograma final enmascarado. Hailuo 2.3: texto a video e imagen a video, sin control del fotograma final.

• Pesos — Kandinsky 6.0 Video: MIT, Pro y Lite, con integración con diffusers y —desde esta mañana— un pipeline de servicio de vLLM-Omni. Hailuo 2.3: no lanzado.

• Precios — Hailuo 2.3: por segundo de salida, o puntos contra un paquete prepago, con una variante Fast más económica. Kandinsky 6.0 Video: sin tarifa alguna; tú aportas la GPU.

Lo que dice la propia evidencia del proveedor, y lo que no puede decir

El caso de calidad de Kandinsky 6.0 Video no está auditado y debe describirse así. Sber reporta resultados de VABench en los que Pro lidera en calidad de voz, estética de audio, alineación texto-video y audio-video, precisión de sincronización labial, desincronización y realismo visual entre los tres sistemas evaluados —su propio modelo Lite y LTX 2.5. También reporta una evaluación humana comparativa realizada en laboratorio, de aproximadamente 200 o más comparaciones por pares por criterio, en la que el modelo es competitivo con Kling 2.6 y Veo 3.1 Fast, va por detrás de MiniMax H3 y Dreamina Seedance 2.0 en criterios visuales, y se mantiene competitivo en calidad de voz y sincronización audio-video. No hay un Elo público ciego ni reproducción externa.

La evidencia del Hailuo 2.3 tiene la forma opuesta: ampliamente usado, con precio público, pero actualmente ausente de los tableros independientes de video, así que tampoco puede situarse frente a un campo actual. Ninguno de los dos modelos tiene lo que más le gustaría a un comprador —y, en el caso de Hailuo, su propio sucesor sí lo tiene. Esa es la asimetría que vale la pena nombrar: la familia de un modelo ya ha sido puntuada y situada, y la del otro no ha sido puntuada en absoluto.

Lo que queda, entonces, es la división del audio, y es una división auténtica y no una simple línea de una lista de características. El silencio de Hailuo 2.3 simplifica una cosa —no hay banda sonora que preservar cuando entregas un clip a una pasada de masterización— y complica otra: cada talking-head, cada anuncio de producto con narración, cada clip en el que un efecto de sonido tiene que coincidir con una acción, ahora son dos generaciones más un paso de alineación del que te encargas tú. Toda la arquitectura de Kandinsky 6.0 Video está orientada a ese problema: un CrossDiT de doble flujo que empareja un flujo de vídeo con un flujo de audio creado desde cero bajo atención cruzada bidireccional, con una etapa de aprendizaje por refuerzo que, según el artículo, reduce en un 47 % la tasa de error de palabras del habla generada —medida con Whisper-large-v3, uno de los modelos de recompensa de RL, y no comparable a la tasa de error de palabras de Qwen3-ASR-1.7B que el artículo reporta por separado junto con VABench.

Dónde encaja un router y dónde no

OrcaRouter no ofrece Kandinsky 6.0 Video ni Hailuo 2.3, y aquí no se afirma ninguna de las dos cosas — Kandinsky es tuyo para descargar y ejecutar, Hailuo 2.3 se alcanza a través de la propia API y sistema de puntos de MiniMax. Lo que una pipeline construida sobre cualquiera de los dos necesita de un router es el texto alrededor del render: la lista de planos, la expansión de prompts que convierte un brief en la descripción larga o corta con la que se entrenaron estos modelos, el trabajo de descripción y diálogo, y los resúmenes de revisión que deciden qué generación se conserva. Esas son llamadas de texto ordinarias, y se ejecutan en un endpoint compatible con OpenAI a través de más de 200 modelos al precio de lista del proveedor con 0% de margen, por lo que un cambio de precio del proveedor está activo en la misma clave el día en que se aplica, con conmutación por error automática para que una llamada fallida a mitad del renderizado se redirija en lugar de perder el lote. La capa de orquestación alrededor de un modelo de video es un problema de enrutamiento incluso cuando el modelo de video no es enrutable — que es la situación de ambos hoy.

¿Cuál elegir?

Elige Hailuo 2.3 cuando el trabajo sea por volumen, la estética sea estilizada o animada, el entregable sea silencioso y el medidor por clip sea la restricción que importe. Es la generación competente más barata de la categoría y su precio lo refleja. Compara el precio de MiniMax H3 junto a él antes de decidirte, porque la generación insignia de la misma familia está clasificada entre las cinco mejores en ambos modos y tiene el audio que 2.3 nunca tuvo.

Elige Kandinsky 6.0 Video cuando el entregable necesite sonido, cuando las unidades de cinco segundos encajen con tu lista de planos, cuando la fidelidad de imagen a vídeo respecto a una imagen fija suministrada sea el requisito y cuando poseer el modelo importe más que alquilarlo. Entra con los costes expuestos con claridad: sin tarifa, un límite de cinco segundos, un render Full que tarda unos 402 segundos en una H100 y 854 en una RTX 5090 para el modelo Pro, se requiere offloading de bloques por debajo de 72,8 GiB de asignación máxima, y una afirmación sobre la calidad que es enteramente de Sber hasta que alguien fuera del laboratorio la puntúe.

La pregunta que subyace a las dos listas de precios es la que decide gran parte de la infraestructura de vídeo este trimestre. Hailuo 2.3 te cobra por segundo y te entrega un archivo; Kandinsky 6.0 Video te cobra una GPU y te entrega una licencia. Para un equipo que genera cien clips al mes, la factura gana en todos los ejes que una hoja de cálculo puede medir. Para un equipo que pretende hacer fine-tuning, ejecutar sin conexión o seguir usando el mismo modelo después de que salga la próxima generación, la descarga gana en el único eje que una hoja de cálculo no puede ver.