Kandinsky 6.0 Video vs Google Veo 3.1 : Trois paliers contre deux tailles

Ouvrez le rapport technique de Sber sur Kandinsky 6.0 Video et cherchez la section de comparaison directe, et vous remarquerez quelque chose que les pages comparatives omettent : l'adversaire n'est pas Veo 3.1. C'est Veo 3.1 Fast. Sber a mené son évaluation humaine face au palier intermédiaire des trois niveaux de Veo, et ce seul choix en dit plus sur cette confrontation que n'importe quelle affirmation de qualité qu'elle contient. Veo 3.1 est en disponibilité générale depuis le 17 novembre 2025 en trois niveaux de service ; Kandinsky 6.0 Video est arrivé la première semaine d'octobre 2026 en deux tailles téléchargeables, Pro à 29B et Lite à 3B, sous licence MIT. L'un est un service que l'on achète à la seconde, l'autre est un checkpoint que l'on exécute — et c'est la question du niveau de service, et non celle de la qualité, qui détermine réellement la décision.

Veo 3.1, ce sont trois produits qui portent un seul et même nom.

Le modèle de Google est en disponibilité générale en versions Standard, Fast et Lite, toutes trois produisant la même famille de formats : 720p, 1080p et 4K natif à 24 i/s, des durées natives de 4, 6 ou 8 secondes, avec des sorties plus longues annoncées en 1080p et un chaînage d’extension de scène au-delà, jusqu’à trois images de référence pour la cohérence des personnages et des scènes, ainsi que des contrôles de graine et de prompt négatif. La sortie comporte des métadonnées de provenance SynthID et C2PA.

Ce qui sépare les paliers, c’est le prix et la vitesse, et le classement indépendant dit quelque chose d’inconfortable sur l’écart. Sur le classement texte-vers-vidéo d’Artificial Analysis, les trois se tiennent à moins de 14 Elo d’écart — Veo 3.1 à 962 (±10) sur 2 998 votes, Veo 3.1 Fast à 961 (±10) sur 4 325, Veo 3.1 Lite à 948 (±10) sur 2 903 — tandis que leurs tarifs affichés sont de 24,00 $, 7,20 $ et 4,80 $ par minute. Si l’on rapproche ces chiffres, l’arène vous dit qu’elle ne peut pas distinguer de manière fiable les paliers selon la préférence. Cela ne signifie pas que les paliers sont identiques ; cela signifie que la vraie question pour un acheteur est de savoir quel palier satisfait ses exigences, car le classement des préférences n’y répondra pas à sa place.

Kandinsky 6.0 Video adopte l’approche inverse en matière de variation. Il existe deux tailles — Pro à 29B et Lite à 3B — qui partagent une architecture et un format de sortie fixe : 5 secondes, 121 images à 24 fps, un audio synchronisé à 44 kHz avec synchronisation labiale, à partir de texte ou d’une image de référence, avec un modèle de super-résolution distinct portant le résultat en Full HD. Il n’existe pas de variante Fast ni de mode d’extension. Vous choisissez une taille et un GPU.

Ce que l’évaluation du laboratoire lui-même affirme réellement

Ce sont les seules données comparatives directes qui existent entre ces deux systèmes, et elles sont rapportées par le fournisseur des deux côtés de la barre oblique — Sber les a produites, Sber les a publiées, et personne en dehors de Sber ne les a reproduites. Les énoncer avec exactitude importe plus que les énoncer de façon favorable.

Dans le mode texte-vers-audio-vidéo, le rapport indique que Kandinsky 6.0 Video Pro est préféré sur les artefacts et le mouvement de caméra avec des marges statistiquement significatives, et légèrement en tête sur le réalisme du mouvement dans un domaine dominé par les égalités. Veo 3.1 Fast est en tête sur le suivi des invites visuelles, la qualité de la parole, la synchronisation audio-vidéo, la qualité audio globale, le suivi des invites sonores et la résolution des tâches utilisateur, toutes, sauf la parole, atteignant le seuil de signification. La qualité visuelle globale est proche de la parité, avec un léger avantage pour Veo.

En image-vers-vidéo, le schéma s’inverse sur la moitié visuelle. Kandinsky 6.0 Video Pro est préféré pour la qualité visuelle globale, l’alignement à l’image de référence, les artefacts et le mouvement de caméra, tous significatifs. Veo 3.1 Fast garde l’avantage sur le suivi du prompt visuel, la synchronisation audio-vidéo, la qualité audio globale, le suivi du prompt sonore et la résolution des tâches utilisateur, également significatifs. Le réalisme du mouvement et la qualité de la parole ressortent à quasi-parité.

Deux choses en découlent. Le résultat image vers vidéo est la véritable découverte : qu’un modèle ouvert soit préféré pour la correspondance avec l’image de référence et la qualité visuelle globale face à un modèle du calibre de Google, dans l’étude du laboratoire lui-même, est une affirmation qui mérite d’être prise en compte. Et c’est dans le résultat audio que Veo conserve son avance, quel que soit le mode — ce qui nous amène au signal d’alerte que personne ne mentionne.

L'indicateur audio qui détermine si cette évaluation est équitable

Veo 3.1 génère un audio stéréo natif à 48 kHz — dialogue, ambiance, bruitage — conjointement avec l'image. C'est l'une des fonctionnalités les plus solides du modèle. Sur l'API, toutefois, le paramètre audio est désactivé par défaut, et la génération silencieuse est facturée moins cher que la génération avec audio : environ 0,20 $ par seconde en mode silencieux contre environ 0,40 $ par seconde avec audio sur le palier Standard publié par Google.

Kandinsky 6.0 Video n'a pas un tel interrupteur. L'audio fait partie de la sortie, et le pipeline de service fusionné dans vLLM-Omni émet par défaut de l'AAC en 44,1 kHz. Les deux modèles ne sont donc pas confrontés au même réglage par défaut : l'un privilégie l'audio, l'autre privilégie le silence, avec le son comme amélioration.

Cette asymétrie a un coût spécifique dans les comparaisons. Tout duel qui oppose un Veo 3.1 silencieux à un concurrent dont l’audio est toujours livré, puis évalue le duo sur un classement prenant en compte l’audio, a désavantagé Veo par un accident de réglage par défaut. Quand vous lisez les chiffres de Sber ci-dessus — ou ceux de n’importe qui d’autre — la première question à poser est de savoir si le côté Veo avait l’audio activé. La seconde est de savoir quelle était la différence de prix, car au niveau Standard, activer le son la double.

Cinq secondes contre huit, et 1080p contre 4K natif

L'écart de format, c'est là où les cahiers des charges de conception des deux modèles sont visibles.

• Durée du clip — Kandinsky 6.0 Video : 5 s fixe, 121 images à 24 ips, pas d'extension. Veo 3.1 : 4, 6 ou 8 s natif, plus long en 1080p, enchaînement d'extensions de scène au-delà.

• Résolution — Kandinsky 6.0 Video : SD, HD et Full HD (1920×1080) via une passe de super-résolution. Veo 3.1 : 720p, 1080p et 4K native.

• Provenance — Kandinsky 6.0 Video : aucune mentionnée dans la publication. Veo 3.1 : métadonnées SynthID et C2PA sur les sorties.

• Entrée de référence — Kandinsky 6.0 Video : une image, appliquée comme image de fin masquée. Veo 3.1 : jusqu’à trois images de référence, plus une graine et un prompt négatif.

• Format — Kandinsky 6.0 Video : AAC 44,1 kHz avec l’image, toujours activé. Veo 3.1 : stéréo 48 kHz, en option, facturé de deux manières.

La ligne de provenance est celle qui a des conséquences en matière d’approvisionnement. Si votre livrable doit être traçable — travail de marque, diffusion, tout ce qu’une équipe juridique examinera — Veo 3.1 joint des métadonnées indiquant que les images ont été générées, et Kandinsky 6.0 Video ne le fait pas. Ce n’est pas une différence de qualité et aucun benchmark ne le montrera, mais c’est le genre d’exigence qui décide à elle seule du choix d’un fournisseur, et un modèle ouvert qui en est dépourvu n’est pas un remplacement direct pour une équipe qui en a besoin.

La gamme 4K compte tout autant, et pour la même raison. Le Full HD de Kandinsky 6.0 Video est bien réel — il existe un modèle SR dédié, et le paquet SR du dépôt gère les mises à l’échelle x2, x4 et x2,25 de clips de cinq secondes — mais il plafonne là où la voie native de Veo 3.1 commence à son extrémité supérieure. Pour le travail sur grand écran, ce plafond n’est pas négociable.

Ce que coûte un clip de chaque côté

Veo 3.1 est facturé à la seconde. Au niveau Standard, un clip 1080p de cinq secondes avec audio coûte environ 2,00 $, et le même clip muet coûte environ 1,00 $ ; Fast et Lite se situent en dessous, et comme leurs scores d’arène tombent dans l’intervalle de confiance de ceux de Standard, les niveaux moins chers sont difficiles à contester au vu des preuves.

Kandinsky 6.0 Video n'a pas de facture. Il a du temps GPU. Les chiffres du dépôt pour le modèle non distillé, mesurés après échauffement, en excluant le chargement des poids et l'encodage MP4, situent un clip Pro Full HD de cinq secondes à environ 402 secondes sur un H100, 854 secondes sur une RTX 5090, 1 247 secondes sur une RTX 4090 et 3 530 secondes sur une RTX 5060 Ti. Lite Full HD est à 284 secondes sur un H100. Le pic d'allocation lors d'une exécution Pro SD atteint 72,8 GiB, donc tout ce qui est en dessous nécessite un offloading de blocs — et le préréglage de 16 Go quantifie l'encodeur de texte en NF4, le seul changement de préréglage dont l'article confirme qu'il modifie le clip lui-même plutôt que d'introduire du bruit au niveau de l'arrondi.

Ces deux structures de coûts ne sont pas comparables. L’une est une facture que vous prévoyez à la seconde de rendu final ; l’autre est une machine que vous achetez, un rendu mesuré en minutes et la possibilité d’affiner le modèle — ce que Veo 3.1 ne propose à aucun niveau.

La question du palier est une question de routage.

OrcaRouter ne sert ni Google Veo 3.1 ni Kandinsky 6.0 Video, et ni l'un ni l'autre n'est sous-entendu ici — Veo 3.1 est accessible via les interfaces propres à Google et Kandinsky est à télécharger vous-même. Mais la structure de la décision Veo mérite d'être nommée, car c'est précisément le problème que notre couche de routage existe pour résoudre du côté texte : trois niveaux dont les scores indépendants sont indiscernables et dont les prix diffèrent d'un facteur cinq, c'est exactement le cas où « router le moins cher et n'escalader que lorsque la barre n'est pas franchie » l'emporte sur « tout standardiser sur le produit phare ». Le routage adaptatif d'OrcaRouter et le DSL de routage expriment cela sous forme de politique configurée sur plus de 200 modèles texte via un seul point de terminaison compatible OpenAI, au prix catalogue du fournisseur, avec 0 % de marge, avec basculement automatique lorsqu'une route tombe. Le même réflexe appliqué aux dépenses vidéo — Fast par défaut, Standard pour les plans qui comptent — est une décision d'achat que vous pouvez prendre dès aujourd'hui sans aucun routeur.

Lequel, pour qui

Choisissez Veo 3.1 si le livrable exige que le son soit pris au sérieux, s’il nécessite de la 4K ou un clip de plus de cinq secondes, ou si quelqu’un en aval a besoin de métadonnées de provenance. Choisissez le palier délibérément plutôt que de vous rabattre par défaut sur Standard, et prévoyez un budget pour l’option audio au lieu de la découvrir sur la facture.

Choisissez Kandinsky 6.0 Video si vous voulez les poids, si cinq secondes correspondent à votre unité de travail, et si la fidélité image-vers-vidéo par rapport à une image fixe fournie est la tâche à accomplir — la seule dimension où l'étude du laboratoire lui-même le place devant un palier de Veo, avec des marges importantes. Sachez, en vous lançant, que l'audio est toujours activé, que la provenance est absente et que l'affirmation de qualité repose entièrement sur un rapport écrit par son auteur.

L’asymétrie à retenir, c’est que Veo 3.1 est en production depuis onze mois et a donc accumulé ce qu’un modèle ouvert publié ce mois-ci ne peut pas avoir : un ensemble cartographié de modes de défaillance que ses utilisateurs ont déjà publiés, et une courbe de prix qu’une équipe financière peut modéliser. Face à cela, la licence MIT de Kandinsky signifie que le modèle sur votre disque ne dépend de la feuille de route de quiconque. Laquelle de ces choses vaut le plus n’est pas une question de benchmark.