Kling 4.0 vs Kandinsky 6.0 Video : le face-à-face que personne n'a encore organisé

La seule évaluation humaine publiée qui met Kling 4.0 et Kandinsky 6.0 Video dans la même pièce n'existe pas. Ce qui existe, c'est un article du propre laboratoire de Kandinsky, soumis à arXiv le 4 octobre 2026, qui compare Kandinsky 6.0 Video Pro à Kling 2.6 — deux générations derrière le modèle que Kuaishou a déployé pour tout le monde le 15 octobre. Cet écart est le point de départ honnête de cette confrontation, et il joue dans une direction que la plupart des pages de comparaison ignorent : sur les colonnes que l'article mesure réellement, l'ancien Kling en a remporté plusieurs haut la main. Les affirmations de Kuaishou concernant la version 4.0 sur exactement ces colonnes sont celles que personne n'a vérifiées.

Ce n'est donc pas une page qui vous dira quel modèle est le meilleur, car les preuves pour l'affirmer n'existent pas encore. C'est une page sur ce que chacun est réellement conçu pour faire, sur ce qu'a trouvé la seule véritable comparaison directe, et sur lequel des deux vous pouvez intégrer dans un pipeline cette semaine.

Deux produits qui ne se ressemblent qu'en apparence

Kling 4.0 est un générateur fermé, facturé en crédits, de Kuaishou. Le modèle complet prend en charge la génération texte-vidéo, image-vidéo, première et dernière image, multi-images clés, omni-référence et l’édition ciblée, de 3 à 30 secondes et de 720p à 4K. Il est vendu via l’application et le site web Kling, avec une API que Kuaishou a commencé à ouvrir par vagues à partir du 21 octobre et dont la grille tarifaire destinée aux développeurs indique encore le modèle comme « Coming Soon », avec uniquement des tarifs de prévisualisation.

Kandinsky 6.0 Video est le type d’artefact opposé. Le Kandinsky Lab de Sber l’a publié le 6 octobre 2026 sous la forme de deux checkpoints — Pro à 29B paramètres et Lite à 3B, plus un modèle distinct de super-résolution de 1,4B — sous licence MIT, avec les poids sur Hugging Face, le code sur GitHub et une intégration dès le jour 0 dans Diffusers, ComfyUI, FastVideo, SGLang et vLLM-Omni. Il génère des clips de cinq secondes à 121 images et 24 i/s, avec un audio synchronisé à 44,1 kHz et une synchronisation labiale, à partir d’un prompt texte ou d’une image de référence.

L'un est un service avec un avantage de durée. L'autre est un téléchargement avec un avantage de licence. Presque toutes les différences pratiques entre eux découlent de cette phrase.

Le seul face-à-face, lu honnêtement

L’évaluation humaine de l’article Kandinsky est ce qui ressemble le plus à un tableau de scores partagé, et il vaut la peine de la lire attentivement, car c’est un laboratoire qui évalue son propre nouveau modèle face à un concurrent qu’il a choisi.

• Qualité visuelle globale — Kling 2.6 en tête, selon les propres évaluateurs de l'article.

• Esthétique visuelle — Kling 2.6 en tête.

• Qualité audio — Kling 2.6 en tête.

• Synchronisation audio-vidéo — Kling 2.6 en tête.

• Suivi de l'invite sonore — Kandinsky 6.0 Video Pro en tête.

• Qualité de la parole — Kandinsky 6.0 Video Pro en tête, ce qui concorde avec la réduction de 47 % du taux d'erreur sur les mots de la parole générée qu'il annonce après un post-entraînement par apprentissage par renforcement.

• Contrôle de la caméra dans la génération image-vers-vidéo avec audio — Kandinsky 6.0 Video Pro à venir.

• Suivi des consignes visuelles — à peu près à égalité.

Trois choses en découlent. Premièrement, le modèle le plus récent n'a pas écrasé le plus ancien, ce qui est inhabituel pour l'évaluation interne d'un laboratoire et mérite d'être salué. Deuxièmement, les victoires de Kandinsky se concentrent là où l'architecture est inhabituelle — il débruite conjointement les latents vidéo et audio via un seul transformer au lieu d'exécuter deux modèles en séquence — et cela se manifeste davantage dans la fidélité aux invites de parole et de son que dans la qualité brute de l'image. Troisièmement, la comparaison ne vous dit rien sur Kling 4.0, dont tout l'argument de vente est un réalisme meilleur, des mouvements à grande échelle plus stables et une synchronisation labiale plus propre. Ce sont précisément les colonnes où son prédécesseur était déjà en tête.

Si vous voulez que la comparaison soit réelle plutôt qu'inférée, l'élément manquant est une évaluation indépendante de type arène réunissant les deux modèles. Aucun des deux n'en dispose aujourd'hui qui les oppose l'un à l'autre.

L’écart de spécifications qui décide de la plupart des postes

• Durée du clip — Kling 4.0 produit des séquences de 3 à 30 secondes en une seule passe, avec une extension vers 2 minutes annoncée comme prochainement disponible. Kandinsky 6.0 Video est entraîné sur 121 images et génère 5 secondes. Toute durée plus longue est un problème d’assemblage qui vous incombe.

• Résolution — Kling 4.0 est proposé en 720p, 1080p et 4K, avec HDR 10 bits en 1080p et 4K annoncé comme « bientôt disponible » dans la note de version de Kuaishou. Kandinsky génère en SD et effectue une mise à l’échelle via son modèle de super-résolution de 1,4 milliard de paramètres jusqu’en Full HD, 1920 × 1080, avec des facteurs ×2, ×2,25 et ×4.

• Entrées de contrôle — Kling 4.0 accepte jusqu’à 10 images clés et un budget de 15 références réparti entre 10 images, 5 vidéos limitées à 30 secondes au total, des références vocales et jusqu’à 7 éléments. Kandinsky 6.0 Video accepte un prompt textuel ou une seule image de référence, appliquée comme image de fin masquée.

• Audio — Kling 4.0 génère une sortie stéréo à deux canaux avec synchronisation labiale sur neuf langues et accents nommés. Kandinsky produit de l’AAC à 44,1 kHz avec l’audio activé par défaut ; le pipeline renvoie de la parole, de la musique ou une ambiance synchronisées même lorsque vous ne transmettez aucun paramètre audio.

• Longueur du prompt — Kling 4.0 accepte jusqu’à 8 000 jetons. La recette de service de Kandinsky est construite autour du style de légende sur lequel le modèle a été entraîné, long, moyen ou court, et non un script libre.

• Licence — Kling 4.0 est propriétaire, régi par les conditions d’utilisation de Kuaishou. Kandinsky 6.0 Video est sous licence MIT pour le code, les poids et l’intégration Diffusers.

Cette dernière ligne en dit plus long que sa longueur ne le laisse penser. Un modèle fermé de 30 secondes et un modèle MIT de 5 secondes ne sont pas interchangeables, même lorsque leur qualité d’image est proche, car l’un limite ce que vous pouvez construire et l’autre limite ce que vous pouvez générer.

Combien coûte chacun, dans l’unité qui sert réellement à la facturation

La page de tarification pour les développeurs de Kuaishou indique Kling 4.0 à 1,5 unité par seconde en 1080p, ce qu’elle convertit en 0,235 $ par seconde, et 1,0 unité, soit 0,157 $ par seconde, en 720p. Il n’y a pas de tarif 4K — la colonne indique « - ». Avec une entrée vidéo, le tarif descend à 0,094 $ par seconde en 720p et à 0,141 $ en 1080p, mais la facturation compte la durée de sortie fois deux lorsque l’entrée est plus courte que la sortie. La page indique aussi que les chiffres sont « à titre de prévisualisation uniquement » et que l’accès à l’API n’est « pas encore disponible », ce qui cadre mal avec l’annonce du 21 octobre de Kuaishou selon laquelle l’API était devenue disponible pour les clients entreprises et les développeurs. À les lire ensemble, on peut raisonnablement affirmer que l’API s’ouvre par étapes et qu’aucune grille tarifaire publique et stable n’existe au 23 octobre.

Au tarif de prévisualisation, un clip 720p de cinq secondes coûte environ 0,79 $, et un de 30 secondes environ 4,71 $. C'est le chiffre auquel comparer toute offre de revendeur tiers pour en vérifier la cohérence, car les tarifs des revendeurs évoluent indépendamment de ceux de Kuaishou.

Kandinsky 6.0 Video n'a pas de prix à la seconde, car il n'existe aucun point de terminaison fournisseur permettant de l'acheter. Son coût est du temps GPU, et le dépôt publie des chiffres mesurés pour un clip de cinq secondes après préchauffage, hors chargement du modèle et encodage : Pro en Full HD prend 402 secondes sur une H100, 854 sur une RTX 5090, 1 247 sur une RTX 4090 et 3 530 sur une RTX 5060 Ti. Lite en Full HD prend 284 secondes sur une H100. Quel que soit le tarif H100 que vous payez, 402 secondes représentent 6,7 minutes de cette carte par clip de cinq secondes — multipliez le tout et c'est à vous de faire le calcul, car le fournisseur ne vous vend pas le résultat et ne publie donc aucun prix pour celui-ci.

Le plafond de mémoire est l'autre chiffre qui détermine si l'auto-hébergement est réellement viable pour vous. Une exécution Pro SD culmine à 72,8 GiB, au-delà de toutes les cartes grand public. Le préréglage 16 GB du dépôt fait transiter les blocs Transformer depuis la mémoire hôte et quantifie l'encodeur de texte en NF4 — et l'article précise explicitement qu'il s'agit du seul changement de préréglage qui modifie le clip lui-même. Si vous reproduisez la sortie de quelqu'un sur une carte 16 GB et qu'elle ne correspond pas, ce réglage est la première chose à vérifier.

Ce que vous pouvez appeler aujourd’hui, et comment cela façonne la décision

Voici l'asymétrie qui compte plus que n'importe quel benchmark : Kling 4.0 est accessible via l'application de Kuaishou elle-même et, de plus en plus, via son API, tandis que Kandinsky 6.0 Video est accessible en le téléchargeant. Ni l'un ni l'autre n'est un appel direct depuis une couche de routage.

Ce qu’OrcaRouter route, c’est la génération que Kling 4.0 remplace. Kling 3.0 figure au catalogue à 0,084 $ par requête, et MiniMax H3 y est à 0,08 $ par seconde de vidéo générée, tous deux sur le même point de terminaison compatible OpenAI que plus de 200 modèles, au prix catalogue du fournisseur avec 0 % de marge. Cela compte pour un modèle auto-hébergé d’une manière qui ne vaut pas pour un modèle hébergé : la passe d’extension de prompt qui transforme la description d’un plan en la longue légende sur laquelle Kandinsky a été entraîné, le travail de légendage et de transcription qui alimente une entrée image, les résumés d’évaluation qui décident laquelle de quatre générations conserver — ce sont des appels texte ordinaires, et ils peuvent partager une clé et une politique de basculement pendant que le gros du travail vidéo s’exécute là où vous le placez. Kandinsky lui-même n’est pas une route OrcaRouter, et rien ici ne doit être lu comme affirmant qu’il l’est.

Lequel appartient à votre stack

La décision ne repose pas sur la qualité, car personne ne l'a mesurée équitablement. Elle repose sur trois questions auxquelles vous pouvez répondre vous-même.

Vous avez besoin d’un plan de plus de cinq secondes ? Alors Kandinsky 6.0 Video est hors course pour ce plan, et aucune licence MIT n’y changera rien — il faudrait assembler des segments, et l’assemblage vous fait perdre la cohérence temporelle qui fait la force du modèle.

Avez-vous besoin de posséder les poids, de l’exécuter hors ligne, de l’affiner ou de l’intégrer à un produit où une facturation fournisseur à chaque appel est inacceptable ? Alors Kling 4.0 est hors course, quelle que soit sa fiche technique, car une API fermée est une dépendance, pas un atout.

Vous devez passer à l'action cette semaine avec un budget que quelqu'un validera ? Alors aucune des deux options n'est simple. L'API de Kling 4.0 est en cours de déploiement avec une tarification de préversion, et le coût réel de Kandinsky est un montant à l'heure GPU qu'il faut transposer à votre propre infrastructure. Les modèles dont vous pouvez établir le prix et que vous pouvez appeler dès aujourd'hui sont ceux de la génération précédente dans les deux cas — Kling 3.0 via Kuaishou ou un routeur, Kandinsky 6.0 Video depuis le Hub.

Ce qu’il faut surveiller n’est pas une fiche technique. C’est de savoir si quelqu’un fait tourner les deux modèles sur les mêmes prompts et publie le résultat — une entrée indépendante dans une arène, un laboratoire qui ne possède aucun des deux modèles, ou un ensemble crédible de clips côte à côte avec les prompts joints. Tant que cela n’existe pas, toute page qui classe Kling 4.0 face à Kandinsky 6.0 Video en désignant un gagnant extrapole à partir d’une comparaison avec Kling 2.6 et espère que vous ne le remarquerez pas. Le travail utile entre-temps est plus étroit : choisissez la contrainte que vous ne pouvez pas déplacer, et laissez-la choisir le modèle.