Kandinsky 6.0 Video vs Hailuo 2.3 : une liste de prix contre un téléchargement

Commençons par l'arithmétique, car c'est le seul terrain sur lequel ces deux modèles se recoupent. Un clip silencieux de six secondes en 1080p provenant de Hailuo 2.3, le modèle vidéo économique d'avril 2026, s'affiche à quelques centimes par seconde — environ 0,48 $ pour le clip. Un clip de cinq secondes avec audio synchronisé en 44 kHz et synchronisation labiale provenant de Kandinsky 6.0 Video, que le Kandinsky Lab de Sber a publié en open source sous licence MIT la première semaine d'octobre 2026, ne coûte rien par clip et environ sept minutes de temps H100 en Full HD. Voilà tout le duel en deux phrases, et la décision qu'il implique n'est pas « lequel est le meilleur » — c'est quel compteur vous préférez faire tourner : une facture à la seconde, ou votre propre matériel.

Tout le reste découle de cette distinction, et la plupart des pages de comparaison la comprennent à l'envers en traitant ces deux modèles comme un même type de produit à des prix différents. Ce n'est pas le cas. Hailuo 2.3 est un service avec un brief de styliste et sans son ; Kandinsky 6.0 Video est une famille de checkpoints en deux tailles — Pro à 29B et Lite à 3B — dont le son est la caractéristique architecturale centrale.

Ce en quoi celui pas cher est réellement bon

La réputation de Hailuo 2.3 est méritée et spécifique. Il gère bien les mouvements de caméra cinématographiques, les mouvements humains et les micro-expressions, et il est plus fort que son prix ne le suggère sur les contenus stylisés et animés. Il produit des vidéos à partir de texte et à partir d’images jusqu’à 1080p. MiniMax ne le commercialise pas comme un modèle photoréaliste, et il n’en est pas un — c’est un styliste avec un bon œil pour le mouvement.

Ses limites sont tout aussi précises, et c'est la raison pour laquelle cette comparaison est courte.

• Pas d’audio natif. Hailuo 2.3 produit une sortie silencieuse, et la génération Hailuo antérieure qui disposait de l’audio n’est pas reprise dans celle-ci. Chaque clip doit être sonorisé en aval.

• Durée maximale des clips fixée à six secondes en 1080p, dix secondes en 768p, sans contrôle de l'image finale — les clips ne s'enchaînent donc pas proprement dans une séquence.

• Absent des classements indépendants actuels. Hailuo 2.3 n'apparaît pas dans les classements text-to-video, image-to-video ou montage vidéo d'Artificial Analysis tels qu'ils se présentent aujourd'hui, il n'existe donc aucun Elo public permettant de le comparer à quoi que ce soit. Les mentions plus anciennes le situant autour de la vingtaine avancée dans une arène vidéo ne correspondent pas aux classements actuellement publiés et doivent être considérées comme un instantané obsolète plutôt que comme une position actuelle.

Les tarifs sont exprimés dans deux devises par deux parties différentes, et les deux valent la peine d’être connus. L’API de MiniMax elle-même vend des forfaits de points prépayés, où un clip standard de six secondes en 768p consomme un point et un clip de dix secondes en 768p ou de six secondes en 1080p en consomme deux — la variante plus rapide Hailuo-2.3-Fast faisant descendre ces chiffres à environ 0,7 et 1,1 à 1,3 point. Les trackers tiers affichent un tarif plus uniforme, de l’ordre de 0,067 $ à 0,082 $ par seconde, l’un d’eux à 0,0817 $/s et citant « jusqu’à 1080p, 10 s max par clip, sortie silencieuse » et environ 147 $ par mois pour trois cents clips de six secondes. Quelle que soit la voie choisie, l’ordre de grandeur est le même et il s’agit de la génération la moins chère de cette catégorie.

Le problème avec l’achat d’une génération supplantée

Il y a un fait de cycle de vie concernant Hailuo 2.3 qui compte plus que n'importe quelle fiche technique, et ce n'est pas une critique du modèle. MiniMax est passé à autre chose. Son successeur, MiniMax H3 — la génération Hailuo 3 — est sorti le 31 juillet 2026 et appartient à une autre catégorie de produit : un modèle omni-modal qui traite des références textuelles, d'image, de vidéo et d'audio comme un seul contexte, générant des clips de quatre à quinze secondes en 768p ou 2K avec audio stéréo natif, facturé à la seconde de sortie.

Ce n'est pas une allégation de vendeur. C'est présent sur les tableaux indépendants, et le placement est solide :

• Texte-vers-vidéo — MiniMax H3 (768p) 4e à l'Elo 1 137 (±9) sur 8 315 votes, à 4,80 $/min.

• Image vers vidéo — MiniMax H3 2e à l'Elo 1 181 (±8) sur 7 284 votes, à 7,80 $/min.

• Montage vidéo — MiniMax H3 2e à l'Elo 1 132 (±6) sur 12 043 votes, à 7,80 $/min.

Donc, pour présenter honnêtement l’achat d’un Hailuo 2.3 en octobre 2026 : vous achetez le niveau budget d’une famille dont la génération phare figure parmi les cinq meilleures dans les deux modes de génération, dispose de l’audio qui manque à la 2.3 et coûte peut-être cinq à dix fois plus cher par seconde. C’est une décision défendable pour du travail de stylisation à gros volume — c’est exactement à cela que sert un niveau budget —, mais elle doit être délibérée, et non un choix par défaut. Quiconque évalue la 2.3 aujourd’hui devrait d’abord comparer le prix du H3 au sien, car l’écart entre eux n’est pas incrémental.

Cinq secondes contre six, et pourquoi la différence est plus petite qu’elle n’en a l’air

En termes de durée, Kandinsky 6.0 Video ne gagne pas. Il est entraîné sur 121 images et 24 ips — cinq secondes — et la version publiée ne contient aucun mode d’extension. Hailuo 2.3 vous offre six secondes en 1080p. Ni l’un ni l’autre ne suffit pour une scène continue, et les deux impliquent qu’un clip de trente secondes représente cinq ou six générations, plus les raccords.

Les lacunes qui comptent sont ailleurs.

• Audio — Kandinsky 6.0 Video : 44 kHz avec synchronisation labiale, produit conjointement avec l'image, toujours activé. Hailuo 2.3 : aucun, par conception.

• Résolution — Kandinsky 6.0 Video : SD et Full HD via un modèle de super-résolution dédié, agrandissements x2, x4 ou x2,25 de clips de cinq secondes. Hailuo 2.3 : jusqu'à 1080p, pas d'étape SR.

• Conditionnement — Kandinsky 6.0 Video : texte-vers-audio-vidéo et image-vers-audio-vidéo, une image de référence appliquée comme image de fin masquée. Hailuo 2.3 : texte-vers-vidéo et image-vers-vidéo, aucun contrôle de l’image de fin.

• Poids — Kandinsky 6.0 Video : MIT, Pro et Lite, avec intégration diffusers et — depuis ce matin — un pipeline de service vLLM-Omni. Hailuo 2.3 : non publié.

• Tarification — Hailuo 2.3 : par seconde de sortie, ou en points déduits d’un forfait prépayé, avec une variante Fast moins chère. Kandinsky 6.0 Video : aucun tarif ; vous fournissez le GPU.

Ce que disent les propres éléments de preuve du fournisseur, et ce qu’ils ne peuvent pas dire

L'argumentaire de qualité de Kandinsky 6.0 Video n'a pas été audité et doit être présenté comme tel. Sber rapporte des résultats VABench dans lesquels Pro arrive en tête sur la qualité de la parole, l'esthétique audio, l'alignement texte-vidéo et audio-vidéo, la précision de la synchronisation labiale, la désynchronisation et le réalisme visuel parmi les trois systèmes évalués — son propre modèle Lite et LTX 2.5. Il rapporte également une évaluation humaine comparative menée en laboratoire, avec environ 200 comparaisons par paires ou plus par critère, dans laquelle le modèle est compétitif face à Kling 2.6 et Veo 3.1 Fast, se situe derrière MiniMax H3 et Dreamina Seedance 2.0 sur les critères visuels, et reste compétitif sur la qualité de la parole et la synchronisation audio-vidéo. Il n'existe pas d'Elo public en aveugle, ni de reproduction externe.

Les preuves concernant Hailuo 2.3 ont une forme opposée : largement utilisé, avec un tarif public, mais actuellement absent des classements vidéo indépendants, il ne peut donc pas non plus être situé face à un paysage actuel. Aucun des deux modèles ne possède ce qu’un acheteur souhaiterait le plus — et dans le cas de Hailuo, son propre successeur l’a. C’est là l’asymétrie qu’il vaut la peine de nommer : la famille d’un modèle a déjà été notée et classée, et celle de l’autre n’a pas été notée du tout.

Ce qui reste, alors, c'est le fossé audio, et il s'agit d'un véritable fossé plutôt que d'une simple ligne dans une liste de fonctionnalités. Le silence de Hailuo 2.3 simplifie une chose — il n'y a pas de bande son à préserver lorsqu'on confie un clip à une passe de mastering — et en complique une autre : chaque talking-head, chaque spot produit avec narration, chaque clip où un effet sonore doit tomber sur une action, représente désormais deux générations plus une étape d'alignement dont vous avez la charge. Toute l'architecture de Kandinsky 6.0 Video est orientée vers ce problème : un CrossDiT à double flux qui apparie un flux vidéo à un flux audio créé de zéro sous attention croisée bidirectionnelle, avec une étape d'apprentissage par renforcement que l'article indique comme réduisant de 47 % le taux d'erreur de mots de la parole générée — mesuré avec Whisper-large-v3, l'un des modèles de récompense du RL, et non comparable au taux d'erreur de mots distinct de Qwen3-ASR-1.7B que l'article rapporte en parallèle de VABench.

Là où un routeur a sa place, et où il ne l'a pas

OrcaRouter ne fournit pas Kandinsky 6.0 Video ni Hailuo 2.3, et aucune de ces affirmations n'est formulée ici — Kandinsky est à télécharger et à exécuter de votre côté, Hailuo 2.3 est accessible via l'API et le système de points propres à MiniMax. Ce dont un pipeline construit sur l'un ou l'autre a besoin de la part d'un routeur, c'est le texte autour du rendu : la liste des plans, l'expansion de prompt qui transforme un brief en la légende longue ou courte sur laquelle ces modèles ont été entraînés, le travail sur les légendes et les dialogues, et les synthèses d'évaluation qui déterminent quelle génération est conservée. Ce sont des appels textuels ordinaires, et ils passent par un seul point de terminaison compatible OpenAI couvrant plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de marge, de sorte qu'un changement de prix d'un fournisseur est actif sur la même clé le jour où il est appliqué, avec un basculement automatique afin qu'un appel échoué en plein rendu soit redirigé au lieu de perdre le lot. La couche d'orchestration autour d'un modèle vidéo est un problème de routage même lorsque le modèle vidéo n'est pas routable — ce qui est le cas pour ces deux modèles aujourd'hui.

Lequel choisir

Choisissez Hailuo 2.3 lorsque la tâche est du volume, que l'esthétique est stylisée ou animée, que le livrable est silencieux et que le tarif par clip est la contrainte qui compte. C'est la génération compétente la moins chère de la catégorie, et elle est tarifée en conséquence. Comparez le prix de MiniMax H3 à côté avant de vous engager, car la génération phare de la même famille est classée dans le top cinq dans les deux modes et dispose de l'audio que la 2.3 n'a jamais eu.

Choisissez Kandinsky 6.0 Video lorsque le livrable a besoin de son, lorsque des unités de cinq secondes conviennent à votre liste de plans, lorsque la fidélité image-vers-vidéo à une image fixe fournie est l’exigence, et lorsque posséder le modèle compte plus que le louer. Tenez compte des coûts énoncés clairement : aucun tarif, un plafond de cinq secondes, un rendu Full HD qui tourne environ 402 secondes sur une H100 et 854 sur une RTX 5090 pour le modèle Pro, un délestage de blocs requis en dessous de 72,8 GiB d’allocation maximale, et une revendication de qualité qui appartient entièrement à Sber jusqu’à ce que quelqu’un extérieur au laboratoire l’évalue.

La question qui sous-tend les deux grilles tarifaires est celle qui décidera de beaucoup d’infrastructures vidéo ce trimestre. Hailuo 2.3 vous facture à la seconde et vous remet un fichier ; Kandinsky 6.0 Video vous facture un GPU et vous remet une licence. Pour une équipe qui génère une centaine de clips par mois, la facture l’emporte sur tous les axes qu’un tableur mesure. Pour une équipe qui compte affiner, exécuter hors ligne, ou utiliser encore le même modèle après la sortie de la génération suivante, le téléchargement l’emporte sur le seul axe qu’un tableur ne peut pas voir.