Kandinsky 6.0 Video contro Google Veo 3.1: tre livelli contro due dimensioni

Apri il report tecnico di Sber su Kandinsky 6.0 Video e trova la sezione del confronto diretto, e noterai qualcosa che le pagine di confronto trascurano: l'avversario non è Veo 3.1. È Veo 3.1 Fast. Sber ha condotto la sua valutazione umana contro il livello intermedio dei tre livelli di Veo, e quella singola scelta ti dice di più su questo confronto di qualsiasi affermazione sulla qualità che contenga. Veo 3.1 è disponibile a livello generale dal 17 novembre 2025 in tre livelli di servizio; Kandinsky 6.0 Video è arrivato nella prima settimana di ottobre 2026 in due dimensioni scaricabili, Pro da 29B e Lite da 3B, con licenza MIT. Uno di questi è un servizio che acquisti al secondo, l'altro è un checkpoint che esegui — e la questione del livello, non quella della qualità, è dove vive realmente la decisione.

Veo 3.1 è tre prodotti che indossano un unico nome

Il modello di Google è generalmente disponibile in Standard, Fast e Lite, che producono tutte e tre la stessa famiglia di formati: 720p, 1080p e 4K nativo a 24 fps, durate native di 4, 6 o 8 secondi con output più lunghi riportati a 1080p e concatenamento di estensione della scena oltre a ciò, fino a tre immagini di riferimento per la coerenza di personaggi e scene, oltre a controlli seed e negative prompt. L'output contiene metadati di provenienza SynthID e C2PA.

Ciò che separa i livelli è il prezzo e la velocità, e la classifica indipendente dice qualcosa di scomodo sulla forbice. Nella classifica text-to-video di Artificial Analysis i tre stanno entro 14 punti Elo l'uno dall'altro — Veo 3.1 a 962 (±10) su 2.998 voti, Veo 3.1 Fast a 961 (±10) su 4.325, Veo 3.1 Lite a 948 (±10) su 2.903 — mentre le tariffe indicate sono $24,00, $7,20 e $4,80 al minuto. Leggendo questi dati insieme, l'arena ti sta dicendo che non riesce a distinguere in modo affidabile i livelli in base alle preferenze. Questo non significa che i livelli siano identici; significa che la vera domanda di un acquirente è quale livello superi la sua soglia, perché la classifica delle preferenze non glielo dirà.

Kandinsky 6.0 Video adotta l'approccio opposto alla variazione. Ci sono due dimensioni — Pro da 29B e Lite da 3B — che condividono un'unica architettura e un unico formato di output fisso: 5 secondi, 121 fotogrammi a 24 fps, audio sincronizzato a 44 kHz con lip-sync, da testo o da un'immagine di riferimento, con un modello di super-risoluzione separato che porta il risultato a Full HD. Non esiste una variante Fast né una modalità di estensione. Scegli una dimensione e una GPU.

Ciò che la valutazione del laboratorio stesso sostiene effettivamente

Questi sono gli unici dati di confronto diretto esistenti tra questi due sistemi, e sono riportati dal fornitore su entrambi i lati della barra — li ha eseguiti Sber, li ha pubblicati Sber e nessuno al di fuori di Sber li ha riprodotti. Esporli in modo accurato conta più che presentarli in modo favorevole.

Nella modalità text-to-audio-video, il report indica Kandinsky 6.0 Video Pro preferito su artefatti e movimento di camera con margini statisticamente significativi, e leggermente in vantaggio sul realismo del movimento in un ambito dominato da pareggi. Veo 3.1 Fast è in testa nell'aderenza al prompt visivo, qualità del parlato, sincronizzazione audio-video, qualità audio complessiva, aderenza al prompt sonoro e risoluzione di attività utente, tutti tranne il parlato raggiungono la significatività. La qualità visiva complessiva è quasi alla pari, con un leggero vantaggio per Veo.

Nella conversione da immagine a video, il pattern si inverte per la parte visiva. Kandinsky 6.0 Video Pro è preferito per la qualità visiva complessiva, l'allineamento all'immagine di riferimento, gli artefatti e il movimento della camera, tutti significativi. Veo 3.1 Fast è ancora in testa per la capacità di seguire il prompt visivo, la sincronizzazione audio-video, la qualità audio complessiva, il rispetto del prompt sonoro e la risoluzione delle attività dell'utente, anch'essi significativi. Il realismo del movimento e la qualità del parlato risultano quasi equivalenti.

Ne conseguono due cose. Il risultato image-to-video è la vera scoperta: un modello aperto preferito per corrispondenza con l'immagine di riferimento e qualità visiva complessiva rispetto a un tier di Google, nello studio stesso del laboratorio, è un'affermazione concreta che vale la pena soppesare. E il risultato audio è il punto in cui Veo mantiene il proprio vantaggio indipendentemente dalla modalità — il che ci porta al punto critico che nessuno menziona.

Il flag audio che decide se quella valutazione è equa

Veo 3.1 genera audio stereo nativo a 48 kHz — dialogo, ambiente, foley — congiuntamente all'immagine. È una delle funzionalità più forti del modello. Sull'API, però, il parametro audio è impostato per impostazione predefinita su off, e la generazione senza audio costa meno di quella con audio: circa $0,20 al secondo in silenzioso contro circa $0,40 al secondo con l'audio attivo sul livello Standard pubblicato da Google.

Kandinsky 6.0 Video non ha un simile interruttore. L'audio fa parte dell'output, e la pipeline di serving integrata in vLLM-Omni emette AAC a 44,1 kHz per impostazione predefinita. Quindi i due modelli non partono dallo stesso default: uno è audio-first, l'altro è silent-first con il suono come upgrade.

Quell'asimmetria ha un costo specifico nei confronti. Qualsiasi testa a testa che metta un Veo 3.1 silenzioso contro un concorrente il cui audio è sempre incluso, e poi assegni un punteggio alla coppia su una board che tiene conto dell'audio, ha penalizzato Veo per via di una casualità legata a un'impostazione predefinita. Quando leggi i numeri di Sber qui sopra — o quelli di chiunque altro — la prima domanda da porsi è se il lato Veo avesse l'audio attivo. La seconda è quale fosse la differenza di prezzo, perché al tier Standard attivare l'audio raddoppia il prezzo.

Cinque secondi contro otto, e 1080p contro 4K nativo

Il divario di formato è il punto in cui sono visibili i brief di progettazione dei due modelli.

• Durata clip — Kandinsky 6.0 Video: 5 s fissi, 121 frame a 24 fps, senza estensione. Veo 3.1: 4, 6 o 8 s nativi, più lunghi a 1080p, con concatenamento di estensione della scena oltre tale durata.

• Risoluzione — Kandinsky 6.0 Video: SD, HD e Full HD (1920×1080) tramite un passaggio di super-risoluzione. Veo 3.1: 720p, 1080p e 4K nativo.

• Provenienza — Kandinsky 6.0 Video: nessuna dichiarata nella release. Veo 3.1: metadati SynthID e C2PA sull'output.

• Input di riferimento — Kandinsky 6.0 Video: un'immagine, applicata come fotogramma finale mascherato. Veo 3.1: fino a tre immagini di riferimento più seed e prompt negativo.

• Formato — Kandinsky 6.0 Video: AAC a 44,1 kHz insieme all'immagine, sempre attivo. Veo 3.1: stereo a 48 kHz, opzionale, con due modalità di prezzo.

La questione della provenienza è quella che ha conseguenze in fase di acquisto. Se il tuo deliverable deve essere tracciabile — lavoro sul brand, trasmissioni, qualunque cosa che un team legale esaminerà — Veo 3.1 allega metadati che indicano che il filmato è stato generato, mentre Kandinsky 6.0 Video no. Questa non è una differenza di qualità e nessun benchmark la mostrerà, ma è il tipo di requisito che da solo decide la scelta di un fornitore, e un modello aperto che ne è privo non è un sostituto drop-in per un team che ne ha bisogno.

La linea 4K conta allo stesso modo, e per lo stesso motivo. Il Full HD di Kandinsky 6.0 Video è reale — c'è un modello SR dedicato, e il pacchetto SR del repository gestisce upscale x2, x4 e x2.25 di clip da cinque secondi — ma si ferma dove inizia il percorso nativo di Veo 3.1, alla sua estremità superiore. Per i lavori su grande schermo, quel limite non è negoziabile.

Quanto costa una clip per lato

Veo 3.1 prevede una fatturazione al secondo. Al livello Standard, una clip 1080p di cinque secondi con audio costa circa 2,00 $, mentre la stessa clip senza audio costa circa 1,00 $; Fast e Lite si collocano al di sotto e, poiché i loro punteggi nell'arena rientrano nell'intervallo di confidenza di quelli di Standard, sulla base delle prove è difficile argomentare contro i livelli più economici.

Kandinsky 6.0 Video non ha una fattura. Ha tempo GPU. I dati del repository per il modello non distillato, misurati dopo il warmup, con esclusione del caricamento dei pesi e della codifica MP4, pongono una clip Pro Full HD da cinque secondi a circa 402 secondi su un H100, 854 secondi su una RTX 5090, 1.247 secondi su una RTX 4090 e 3.530 secondi su una RTX 5060 Ti. Lite Full HD è di 284 secondi su un H100. L'allocazione di picco su un'esecuzione Pro SD raggiunge 72,8 GiB, quindi qualsiasi cosa al di sotto richiede l'offload dei blocchi — e il preset da 16 GB quantizza l'encoder di testo a NF4, l'unica modifica ai preset che, come confermato dal paper, altera la clip stessa anziché introdurre rumore a livello di arrotondamento.

Quelle due strutture di costo non sono confrontabili. Una è una fattura che prevedi per ogni secondo di prodotto finito; l'altra è una macchina che acquisti, un rendering misurato in minuti e la possibilità di fare fine-tuning — che Veo 3.1 non offre a nessun livello.

La questione del tier è una questione di routing

OrcaRouter non serve né Google Veo 3.1 né Kandinsky 6.0 Video, e qui non si sottintende nessuno dei due — a Veo 3.1 si accede tramite le superfici di Google e Kandinsky è tuo da scaricare. Ma la struttura della decisione su Veo merita di essere nominata, perché è il problema che il nostro livello di routing esiste per risolvere sul lato testo: il caso di tre livelli i cui punteggi indipendenti sono indistinguibili e i cui prezzi differiscono di cinque volte è esattamente quello in cui "instradare quello economico e passare a quello superiore solo quando l'asticella non è superata" batte "standardizzare sul modello di punta". Il routing adattivo e il DSL di routing di OrcaRouter lo esprimono come policy configurata su oltre 200 modelli di testo su un unico endpoint compatibile con OpenAI, al prezzo di listino del provider con markup 0%, con failover automatico quando una route non è disponibile. Lo stesso istinto applicato alla spesa video — Fast per impostazione predefinita, Standard per le riprese che contano — è una decisione di acquisto che puoi prendere oggi senza alcun router.

Quale, per chi

Scegli Veo 3.1 se il deliverable richiede che l'audio venga preso sul serio, se richiede il 4K o una clip più lunga di cinque secondi, oppure se qualcuno a valle richiede metadati di provenienza. Scegli il tier in modo deliberato invece di ricadere su Standard, e prevedi nel budget il flag audio invece di scoprirlo in fattura.

Scegli Kandinsky 6.0 Video se vuoi i pesi, se cinque secondi si adattano alla tua unità di lavoro e se la fedeltà image-to-video rispetto a un'immagine fissa fornita è il compito — l'unica dimensione in cui lo studio del laboratorio stesso lo mette davanti a un tier di Veo con margini significativi. Parti sapendo che l'audio è sempre attivo, che la provenienza è assente e che l'affermazione sulla qualità si basa interamente su un report scritto dal suo autore.

L'asimmetria a cui aggrapparsi è che Veo 3.1 è in produzione da undici mesi e ha quindi accumulato ciò che un modello aperto rilasciato questo mese non può avere: un insieme mappato di modalità di fallimento che i suoi utenti hanno già pubblicato, e una curva di prezzo che un team finanziario può modellare. Di contro, la licenza MIT di Kandinsky significa che il modello sul tuo disco non dipende dalla roadmap di nessuno. Quale di questi valga di più non è una questione di benchmark.