Kandinsky 6.0 Video vs Google Veo 3.1: Tiga Tingkatan Melawan Dua Ukuran

Buka laporan teknis Sber untuk Kandinsky 6.0 Video dan temukan bagian head-to-head, dan Anda akan menyadari sesuatu yang luput dari halaman perbandingan: lawannya bukanlah Veo 3.1. Yang menjadi lawannya adalah Veo 3.1 Fast. Sber menjalankan evaluasi manusianya terhadap tier menengah dari tiga tier Veo, dan pilihan tunggal itu memberi tahu Anda lebih banyak tentang pertandingan ini daripada klaim kualitas apa pun di dalamnya. Veo 3.1 telah tersedia secara umum sejak 17 November 2025 dalam tiga tier layanan; Kandinsky 6.0 Video hadir pada minggu pertama Oktober 2026 dalam dua ukuran yang dapat diunduh, Pro dengan 29B dan Lite dengan 3B, di bawah MIT. Salah satunya adalah layanan yang Anda beli per detik, yang lainnya adalah checkpoint yang Anda jalankan — dan pertanyaan tier, bukan pertanyaan kualitas, adalah tempat keputusan sebenarnya berada.

Veo 3.1 adalah tiga produk yang memakai satu nama

Model Google ini tersedia secara umum dalam Standard, Fast, dan Lite, ketiganya menghasilkan keluarga format yang sama: 720p, 1080p, dan 4K native pada 24 fps, durasi native 4, 6, atau 8 detik dengan output yang lebih panjang dilaporkan pada 1080p dan perantaian perluasan adegan di luar itu, hingga tiga gambar referensi untuk konsistensi karakter dan adegan, plus kontrol seed dan prompt negatif. Output membawa metadata provenans SynthID dan C2PA.

Yang membedakan tingkatan-tingkatan itu adalah harga dan kecepatan, dan papan peringkat independen mengatakan sesuatu yang tidak nyaman tentang selisihnya. Pada papan peringkat text-to-video Artificial Analysis, ketiganya berada dalam jarak 14 Elo satu sama lain — Veo 3.1 pada 962 (±10) dari 2.998 suara, Veo 3.1 Fast pada 961 (±10) dari 4.325, Veo 3.1 Lite pada 948 (±10) dari 2.903 — sementara tarif yang tercantum adalah $24,00, $7,20, dan $4,80 per menit. Bacalah semuanya bersama-sama dan arena itu memberi tahu Anda bahwa ia tidak dapat secara andal membedakan tingkatan berdasarkan preferensi. Ini tidak berarti tingkatan-tingkatan itu identik; ini berarti pertanyaan nyata seorang pembeli adalah tingkatan mana yang memenuhi standar mereka, karena papan preferensi tidak akan menjawabnya untuk mereka.

Kandinsky 6.0 Video mengambil pendekatan yang berlawanan terhadap variasi. Ada dua ukuran — Pro pada 29B dan Lite pada 3B — yang berbagi satu arsitektur dan satu format keluaran tetap: 5 detik, 121 frame pada 24 fps, audio 44 kHz tersinkronisasi dengan lip-sync, dari teks atau gambar referensi, dengan model super-resolution terpisah yang menaikkan hasilnya ke Full HD. Tidak ada varian Fast dan tidak ada mode ekstensi. Anda memilih ukuran dan GPU.

Apa yang sebenarnya diklaim oleh evaluasi lab itu sendiri

Ini satu-satunya data perbandingan langsung yang ada antara kedua sistem ini, dan data itu dilaporkan oleh vendor di kedua sisi garis miring — Sber yang menjalankannya, Sber yang mempublikasikannya, dan tidak seorang pun di luar Sber yang mereproduksinya. Menyatakannya secara akurat lebih penting daripada menyatakannya secara menguntungkan.

Dalam mode teks-ke-audio-video, laporan tersebut menempatkan Kandinsky 6.0 Video Pro lebih disukai pada artefak dan gerakan kamera dengan margin yang signifikan secara statistik, serta sedikit lebih unggul pada realisme gerakan dalam kategori yang didominasi hasil imbang. Veo 3.1 Fast memimpin pada pengikutan prompt visual, kualitas bicara, sinkronisasi audio-video, kualitas audio secara keseluruhan, pengikutan prompt suara, dan penyelesaian tugas pengguna, dengan semua kecuali kualitas bicara mencapai signifikansi. Kualitas visual secara keseluruhan hampir setara, dengan sedikit keunggulan pada Veo.

Dalam image-to-video, polanya berbalik pada separuh visualnya. Kandinsky 6.0 Video Pro lebih disukai dalam hal kualitas visual secara keseluruhan, keselarasan gambar referensi, artefak, dan gerakan kamera, semuanya signifikan. Veo 3.1 Fast masih unggul dalam mengikuti prompt visual, sinkronisasi audio-video, kualitas audio secara keseluruhan, mengikuti prompt suara, dan penyelesaian tugas pengguna, juga signifikan. Realisme gerakan dan kualitas ucapan berada hampir setara.

Ada dua hal yang menyusul. Hasil image-to-video adalah temuan yang sesungguhnya: sebuah model terbuka yang lebih disukai dalam hal kesesuaian gambar referensi dan kualitas visual secara keseluruhan dibandingkan dengan kelas Google, dalam studi lab itu sendiri, adalah klaim nyata yang layak dipertimbangkan. Dan hasil audio adalah area di mana Veo mempertahankan keunggulannya terlepas dari mode — yang membawa kita pada penanda yang tidak disebutkan siapa pun.

Penanda audio yang menentukan apakah evaluasi itu adil

Veo 3.1 menghasilkan audio stereo native 48 kHz — dialog, ambience, foley — bersama dengan gambarnya. Ini adalah salah satu fitur terkuat model tersebut. Namun, di API, parameter audio secara default bernilai off, dan pembuatan tanpa audio dibanderol lebih murah daripada pembuatan dengan audio: sekitar $0,20 per detik tanpa audio versus sekitar $0,40 per detik dengan audio aktif pada tier Standard yang dipublikasikan Google.

Kandinsky 6.0 Video tidak memiliki sakelar semacam itu. Audio adalah bagian dari keluaran, dan pipeline penyajian yang digabungkan ke dalam vLLM-Omni secara default mengeluarkan AAC 44,1 kHz. Jadi, kedua model tidak menghadapi default yang sama: satu mengutamakan audio, yang lain mengutamakan senyap dengan suara sebagai peningkatan.

Asimetri itu memiliki biaya tertentu dalam perbandingan. Adu langsung apa pun yang mempertemukan Veo 3.1 tanpa suara melawan pesaing yang audionya selalu disertakan, lalu menilai pasangan itu pada papan yang memperhitungkan audio, telah merugikan Veo karena ketidaksengajaan sebuah pengaturan bawaan. Saat Anda membaca angka Sber di atas — atau angka milik siapa pun — pertanyaan pertama yang perlu diajukan adalah apakah sisi Veo mengaktifkan audio. Pertanyaan kedua adalah berapa selisih harganya, karena pada tier Standard mengaktifkan suara akan menggandakan harga.

Lima detik versus delapan, dan 1080p versus 4K native

Kesenjangan format adalah tempat di mana ringkasan desain kedua model terlihat.

• Panjang klip — Kandinsky 6.0 Video: tetap 5 dtk, 121 bingkai pada 24 fps, tanpa perpanjangan. Veo 3.1: native 4, 6, atau 8 dtk, lebih panjang pada 1080p, perantaian perpanjangan adegan melebihi itu.

• Resolusi — Kandinsky 6.0 Video: SD, HD, dan Full HD (1920×1080) melalui proses super-resolution. Veo 3.1: 720p, 1080p, dan 4K native.

• Asal-usul — Kandinsky 6.0 Video: tidak disebutkan dalam rilis. Veo 3.1: metadata SynthID dan C2PA pada output.

• Input referensi — Kandinsky 6.0 Video: satu gambar, diterapkan sebagai frame akhir bertopeng. Veo 3.1: hingga tiga gambar referensi plus seed dan prompt negatif.

• Format — Video Kandinsky 6.0: AAC 44,1 kHz menyertakan gambar, selalu menyala. Veo 3.1: stereo 48 kHz, opsional, ditawarkan dengan dua skema harga.

Baris provenans adalah baris yang membawa konsekuensi pengadaan. Jika hasil kerja Anda harus dapat dilacak — pekerjaan merek, siaran, apa pun yang akan diperiksa tim hukum — Veo 3.1 menyertakan metadata yang menyatakan bahwa rekamannya dihasilkan, sedangkan Kandinsky 6.0 Video tidak. Itu bukan perbedaan kualitas dan tidak ada benchmark yang akan menunjukkannya, tetapi itulah jenis persyaratan yang bisa menentukan pilihan vendor dengan sendirinya, dan model terbuka tanpa fitur itu bukan pengganti langsung bagi tim yang membutuhkannya.

Lini 4K sama pentingnya, dan karena alasan yang sama. Full HD milik Kandinsky 6.0 Video memang nyata — ada model SR khusus, dan paket SR repositori menangani upscale x2, x4, dan x2.25 untuk klip lima detik — tetapi batas maksimalnya berada tepat di titik awal jalur native Veo 3.1 pada ujung atasnya. Untuk pekerjaan layar besar, batas atas itu tidak bisa ditawar.

Berapa biaya klip di setiap sisi

Veo 3.1 ditagih per detik. Pada tier Standard, klip 1080p lima detik dengan audio sekitar $2,00, dan klip yang sama tanpa audio sekitar $1,00; Fast dan Lite berada di bawah itu, dan karena skor arena mereka berada dalam interval kepercayaan milik Standard, tier yang lebih murah sulit ditolak berdasarkan bukti.

Kandinsky 6.0 Video tidak memiliki invoice. Yang dimilikinya adalah waktu GPU. Angka dari repositori untuk model non-distilasi, yang diukur setelah pemanasan dengan pemuatan bobot dan pengodean MP4 dikecualikan, menempatkan klip Pro Full HD lima detik pada sekitar 402 detik di H100, 854 detik di RTX 5090, 1.247 detik di RTX 4090, dan 3.530 detik di RTX 5060 Ti. Lite Full HD adalah 284 detik di H100. Alokasi puncak pada proses Pro SD mencapai 72,8 GiB, jadi apa pun di bawah itu memerlukan offloading blok — dan preset 16 GB mengkuantisasi encoder teks ke NF4, satu-satunya perubahan preset yang menurut paper mengubah klip itu sendiri, bukan menimbulkan noise tingkat pembulatan.

Kedua struktur biaya itu tidak dapat dibandingkan. Yang satu adalah tagihan yang Anda perkirakan per detik video jadi; yang lain adalah mesin yang Anda beli, render yang diukur dalam hitungan menit, dan opsi untuk melakukan fine-tuning — yang tidak ditawarkan Veo 3.1 pada tier mana pun.

Pertanyaan tentang tier adalah pertanyaan tentang routing

OrcaRouter tidak menyediakan Google Veo 3.1 maupun Kandinsky 6.0 Video, dan tidak ada yang tersirat di sini — Veo 3.1 diakses melalui kanal milik Google sendiri dan Kandinsky dapat Anda unduh sendiri. Namun struktur keputusan Veo layak disebutkan, karena itulah masalah yang lapisan routing kami hadir untuk selesaikan di sisi teks: tiga tingkat yang skor independennya tidak dapat dibedakan dan harganya berbeda lima kali lipat adalah persis kasus di mana "arahkan yang murah dan eskalasi hanya ketika ambang tidak terlewati" mengalahkan "standarkan pada model unggulan". Routing adaptif dan DSL routing OrcaRouter mengekspresikannya sebagai kebijakan terkonfigurasi di lebih dari 200 model teks pada satu endpoint yang kompatibel dengan OpenAI,pada harga daftar penyedia dengan markup 0%, dengan failover otomatis ketika sebuah rute mati. Naluri yang sama jika diterapkan pada pengeluaran video — Fast secara default, Standard untuk shot yang penting — adalah keputusan pengadaan yang dapat Anda ambil hari ini tanpa router sama sekali.

Yang mana, untuk siapa

Pilih Veo 3.1 jika hasil yang akan diserahkan menuntut audio ditangani secara serius, jika memerlukan 4K atau klip yang lebih panjang dari lima detik, atau jika pihak di hilir memerlukan metadata provenans. Pilih tier secara sengaja alih-alih memakai Standard sebagai default, dan anggarkan untuk flag audio alih-alih baru menemukannya di faktur.

Pilih Kandinsky 6.0 Video jika Anda menginginkan bobotnya, jika lima detik cocok dengan unit kerja Anda, dan jika kesetiaan image-to-video terhadap still yang disediakan adalah tugasnya — satu-satunya dimensi di mana studi milik lab itu sendiri menempatkannya di depan salah satu tier Veo dengan margin yang signifikan. Ketahuilah sejak awal bahwa audionya selalu aktif, data provenansnya tidak ada, dan klaim kualitasnya sepenuhnya bersandar pada sebuah laporan yang ditulis oleh penulisnya sendiri.

Asimetri yang perlu dipegang adalah bahwa Veo 3.1 telah berada dalam produksi selama sebelas bulan dan karena itu telah mengumpulkan hal yang tidak dapat dimiliki oleh model terbuka yang dirilis bulan ini: serangkaian mode kegagalan yang sudah dipetakan dan telah dipublikasikan oleh para penggunanya, serta kurva harga yang dapat dimodelkan oleh tim keuangan. Sebaliknya, lisensi MIT milik Kandinsky berarti model di disk Anda tidak bergantung pada peta jalan siapa pun. Mana yang lebih bernilai bukanlah pertanyaan tolok ukur.