Kling 4.0 vs. Kandinsky 6.0 Video: el cara a cara que nadie ha realizado

La única evaluación humana publicada que pone a Kling 4.0 y Kandinsky 6.0 Video en la misma sala no existe. Lo que existe es un artículo del propio laboratorio de Kandinsky, enviado a arXiv el 4 de octubre de 2026, que compara Kandinsky 6.0 Video Pro con Kling 2.6 —dos generaciones por detrás del modelo que Kuaishou puso a disposición de todos el 15 de octubre. Esa brecha es el punto de partida honesto para este enfrentamiento, y apunta en una dirección que la mayoría de las páginas de comparación ignoran: en las columnas que el artículo sí mide, el Kling más antiguo ganó varias de forma contundente. Las afirmaciones de Kuaishou sobre la 4.0 en exactamente esas columnas son las que nadie ha verificado.

Así que esta no es una página que vaya a decirte qué modelo es mejor, porque las pruebas para afirmarlo aún no existen. Es una página sobre para qué está construido realmente cada uno, qué encontró el único enfrentamiento directo real, y cuál de los dos puedes poner en un pipeline esta semana.

Dos productos que solo se parecen

Kling 4.0 es un generador cerrado con cobro por créditos de Kuaishou. El modelo completo hace texto a vídeo, imagen a vídeo, primer y último fotograma, múltiples fotogramas clave, omnirreferencia y edición dirigida, con duraciones de 3 a 30 segundos y resoluciones de 720p a 4K. Se vende a través de la app y el sitio web de Kling, con una API que Kuaishou comenzó a abrir por fases desde el 21 de octubre y cuya lista de precios para desarrolladores todavía etiqueta el modelo como «Próximamente», solo con tarifas de vista previa.

Kandinsky 6.0 Video es el tipo opuesto de artefacto. Kandinsky Lab de Sber lo publicó el 6 de octubre de 2026 como dos checkpoints —Pro con 29B parámetros y Lite con 3B, más un modelo independiente de superresolución de 1,4B— bajo licencia MIT, con pesos en Hugging Face, código en GitHub e integración desde el primer día en Diffusers, ComfyUI, FastVideo, SGLang y vLLM-Omni. Genera clips de cinco segundos a 121 fotogramas y 24 fps, con audio sincronizado a 44,1 kHz y sincronización labial, a partir de un mensaje de texto o una imagen de referencia.

Uno es un servicio con ventaja en duración. El otro es una descarga con ventaja de licencia. Casi todas las diferencias prácticas entre ambos se desprenden de esa frase.

El único cara a cara, leído con honestidad

La evaluación humana del artículo de Kandinsky es lo más parecido a una tabla de puntuaciones compartida, y vale la pena leerla con atención porque es un laboratorio calificando su propio modelo nuevo frente a un competidor que él mismo eligió.

• Calidad visual general — Kling 2.6 por delante, según los propios evaluadores del artículo.

• Estética visual — Kling 2.6 por delante.

• Calidad de audio — Kling 2.6 por delante.

• Sincronización de audio y vídeo — Kling 2.6 a la cabeza.

• Seguimiento del prompt de sonido — Kandinsky 6.0 Video Pro a continuación.

• Calidad del habla — Kandinsky 6.0 Video Pro va por delante, en consonancia con la reducción reportada del 47 % en la tasa de error de palabras del habla generada tras el postentrenamiento con aprendizaje por refuerzo.

• Control de cámara en imagen a vídeo con audio — Kandinsky 6.0 Video Pro a la cabeza.

• Seguimiento de indicaciones visuales — prácticamente empatados.

De esto se desprenden tres cosas. Primero, el modelo más reciente no arrasó con el anterior, algo inusual en una evaluación propia de un laboratorio y que merece reconocimiento. Segundo, las victorias de Kandinsky se concentran donde la arquitectura es inusual —elimina conjuntamente los latentes de vídeo y audio mediante un único transformer en lugar de ejecutar dos modelos en secuencia—, y eso se refleja más en la adherencia a las indicaciones de voz y sonido que en la calidad de imagen en bruto. Tercero, la comparación no dice nada sobre Kling 4.0, cuyo argumento de venta es precisamente un mayor realismo, un movimiento a gran escala más estable y una sincronización labial más limpia. Esas son justamente las columnas en las que ya lideraba su predecesor.

Si quieres que la comparación sea real en lugar de inferida, el artefacto que falta es una ejecución independiente de arena en la que estén ambos modelos. Hoy ninguno tiene una contra el otro.

La brecha en las especificaciones que decide la mayoría de los trabajos

• Duración del clip — Kling 4.0 va de 3 a 30 segundos en una sola pasada, y la extensión hasta 2 minutos figura como próximamente. Kandinsky 6.0 Video está entrenado con 121 fotogramas y genera 5 segundos. Cualquier duración mayor es un problema de empalme que corre de tu cuenta.

• Resolución — Kling 4.0 ofrece 720p, 1080p y 4K, con HDR de 10 bits en 1080p y 4K etiquetado como «próximamente» en la propia nota de lanzamiento de Kuaishou. Kandinsky genera en SD y escala mediante su modelo de superresolución de 1.4B a Full HD, 1920×1080, con factores ×2, ×2.25 y ×4.

• Entradas de control — Kling 4.0 admite hasta 10 fotogramas clave y un presupuesto de referencia de 15 elementos repartido entre 10 imágenes, 5 vídeos con un máximo de 30 segundos en conjunto, referencias de voz y hasta 7 elementos. Kandinsky 6.0 Video acepta un prompt de texto o una única imagen de referencia, aplicada como fotograma final enmascarado.

• Audio — Kling 4.0 genera estéreo de dos canales con sincronización labial en nueve idiomas y acentos con nombre. Kandinsky genera AAC de 44,1 kHz con el audio activado por defecto; la canalización devuelve voz, música o sonido ambiente sincronizados incluso cuando no se pasan parámetros de audio.

• Longitud del prompt — Kling 4.0 admite hasta 8.000 tokens. La receta de servicio de Kandinsky se basa en el estilo de descripción con el que se entrenó el modelo (larga, media o corta), no en un guion abierto.

• Licencia — Kling 4.0 es cerrado y se rige por los términos de Kuaishou. Kandinsky 6.0 Video es MIT para el código, los pesos y la integración con Diffusers.

Esa última fila hace más trabajo de lo que su longitud sugiere. Un modelo cerrado de 30 segundos y un modelo MIT de 5 segundos no son intercambiables aunque su calidad de imagen sea similar, porque uno limita lo que puedes construir y el otro limita lo que puedes generar.

Cuánto cuesta cada uno, en la unidad que realmente factura

La página de precios para desarrolladores de Kuaishou incluye Kling 4.0 a 1,5 unidades por segundo en 1080p, que convierte a 0,235 USD por segundo, y 1,0 unidad, 0,157 USD por segundo, en 720p. No hay tarifa para 4K: la columna indica "-". Con entrada de vídeo, la tarifa baja a 0,094 USD por segundo en 720p y 0,141 USD en 1080p, pero la facturación cuenta la duración de salida multiplicada por dos cuando la entrada es más corta que la salida. La página también indica que las cifras son "solo con fines de vista previa" y que el acceso a la API "aún no está disponible", lo que resulta incómodo junto al anuncio de Kuaishou del 21 de octubre de que la API ya estaba activa para clientes empresariales y desarrolladores. Leído en conjunto, la afirmación justa es que la API se está abriendo por etapas y que el 23 de octubre no existe una tarifa pública y estable.

A la tarifa de vista previa, un clip de 720p de cinco segundos cuesta unos $0,79, y uno de 30 segundos, unos $4,71. Ese es el número con el que se debe contrastar cualquier cotización de un revendedor externo, porque las tarifas de los revendedores varían con independencia de las de Kuaishou.

Kandinsky 6.0 Video no tiene precio por segundo porque no hay ningún endpoint del proveedor para comprarlo. Su coste es tiempo de GPU, y el repositorio publica cifras medidas para un clip de cinco segundos tras el calentamiento, excluyendo la carga del modelo y la codificación: Pro en Full HD tarda 402 segundos en una H100, 854 en una RTX 5090, 1.247 en una RTX 4090 y 3.530 en una RTX 5060 Ti. Lite en Full HD tarda 284 segundos en una H100. Sea cual sea la tarifa de H100 que pagues, 402 segundos son 6,7 minutos de esa tarjeta por cada clip de cinco segundos — multiplica y haz tú las cuentas, porque el proveedor no te vende el resultado y, por tanto, no publica ningún precio por él.

El techo de memoria es el otro número que decide si el autoalojamiento es realmente viable para ti. Una ejecución de Pro SD alcanza un pico de 72,8 GiB, por encima de cualquier tarjeta de consumo. El preset de 16 GB del repositorio transmite en streaming bloques transformer desde la memoria del host y cuantiza el codificador de texto a NF4, y el artículo es explícito en que este es el único cambio de preset que altera el clip en sí. Si reproduces la salida de alguien en una tarjeta de 16 GB y no coincide, ese ajuste es lo primero que debes revisar.

A qué puedes llamar hoy, y cómo eso condiciona la decisión

He aquí la asimetría que importa más que cualquier benchmark: Kling 4.0 es accesible a través de la propia app de Kuaishou y, cada vez más, de su API, mientras que Kandinsky 6.0 Video es accesible descargándolo. Ninguno de los dos es una llamada directa desde una capa de enrutamiento.

Lo que OrcaRouter sí enruta es la generación que Kling 4.0 reemplaza. Kling 3.0 está en el catálogo a $0.084 por solicitud, y MiniMax H3 está ahí a $0.08 por segundo de vídeo generado, ambos en el mismo endpoint compatible con OpenAI que más de 200 modelos, al precio de lista del proveedor con 0% de margen. Eso importa para un modelo autoalojado de un modo en que no lo hace para uno alojado: la pasada de expansión de prompts que convierte la descripción de un plano en la leyenda larga con la que se entrenó a Kandinsky, el trabajo de leyendas y transcripciones que alimenta una entrada de imagen, los resúmenes de revisión que deciden cuál de las cuatro generaciones conservar — se trata de llamadas de texto normales, y pueden compartir una clave y una política de conmutación por error mientras el trabajo pesado del vídeo se ejecuta dondequiera que lo coloques. Kandinsky en sí no es una ruta de OrcaRouter, y nada de esto debe interpretarse como que lo sea.

¿Cuál pertenece a tu stack?

La decisión no depende de la calidad, porque nadie la ha medido de forma justa. Depende de tres preguntas que puedes responder por ti mismo.

¿Necesitas un plano de más de cinco segundos? Entonces Kandinsky 6.0 Video queda descartado para ese plano, y ninguna licencia MIT lo cambia: tendrías que empalmar tomas, y empalmar te cuesta la coherencia temporal en la que el modelo destaca.

¿Necesitas poseer los pesos, ejecutarlo sin conexión, ajustarlo o integrarlo en un producto donde una factura del proveedor por llamada sea inaceptable?Kling 4.0 queda descartado independientemente de su hoja de especificaciones, porque una API cerrada es una dependencia, no un activo.

¿Necesitas tomar la decisión esta semana con un presupuesto que alguien esté dispuesto a aprobar? Entonces ninguna de las dos opciones está clara. La API de Kling 4.0 está a mitad de su despliegue con precios de vista previa, y el costo real de Kandinsky es una cifra de horas de GPU que tienes que traducir a tu propia infraestructura. Los modelos que puedes cotizar y usar hoy son la generación anterior en ambos casos: Kling 3.0 a través de Kuaishou o de un router, y Kandinsky 6.0 Video desde el Hub.

Lo que hay que observar no es una especificación. Es si alguien ejecuta ambos modelos con los mismos prompts y publica el resultado: una entrada independiente en una arena, un laboratorio que no sea propietario de ninguno de los dos modelos, o un conjunto creíble de clips comparativos en paralelo con los prompts adjuntos. Hasta que eso exista, cualquier página que clasifique Kling 4.0 frente a Kandinsky 6.0 Video con un ganador está extrapolando a partir de una comparación con Kling 2.6 y esperando que no te des cuenta. El trabajo útil mientras tanto es más concreto: elige la restricción que no puedas cambiar y deja que ella elija el modelo.