Kandinsky 6.0 Video vs Hailuo 2.3：価格表 対 ダウンロード

まず計算から始めましょう。ここが両者の唯一の重なりだからです。6秒の無音1080pクリップを提供するHailuo 2.3は2026年4月の低予算動画モデルで、そのクリップは1秒あたり数セント、クリップ全体で約$0.48です。44 kHzの音声が同期し、リップシンクも入った5秒のクリップを提供するKandinsky 6.0 Videoは、SberのKandinsky Labが2026年10月の第1週にMITライセンスでオープンソース化したもので、クリップあたりのコストはゼロ、フルHDならH100時間が約7分です。これが2文で言える対決のすべてであり、そこから導かれる判断は「どちらが優れているか」ではありません。どちらのメーターを回したいか、つまり秒単位の請求書か、自前のハードウェアかです。

ほかのすべてはその区分から導き出されるが、ほとんどの比較ページは、これらを価格帯だけが異なる同じ種類の製品として扱うことで、それを逆に捉えている。そうではない。Hailuo 2.3 はスタイリストのブリーフを備えた、音声のないサービスだ。Kandinsky 6.0 Video は2サイズのモデルファミリー — Pro は29B、Lite は3B — で、音声を中心的な特徴としている。

安い方が実は得意なこと

Hailuo 2.3の評判は正当に得られたものであり、具体的だ。シネマティックなカメラワーク、人物の動き、微表情をうまく扱い、様式化されたコンテンツやアニメコンテンツにおいては、その価格から想像される以上に強い。テキスト・トゥ・ビデオとイメージ・トゥ・ビデオを最大1080pで生成する。MiniMaxはこれをフォトリアルなモデルとして売り込んでおらず、実際そうではない——動きを見る目を持ったスタイリストなのだ。

その限界も同じように明確で、それがこの比較が短く済む理由である。

• ネイティブ音声なし。Hailuo 2.3 の出力は無音で、音声を備えていた以前の Hailuo 世代はそこには引き継がれていない。すべてのクリップには後工程で音声を追加する必要がある。

• 1080pではクリップ上限が6秒、768pでは10秒で、終了フレームの制御もない — そのため、クリップをシーケンスへきれいにつなげることができません。

• 現在の独立系ボードには掲載されていません。Hailuo 2.3 は、今日時点の Artificial Analysis のテキストto動画、画像to動画、動画編集のリーダーボードには登場していないため、何かと比較できる公開 Elo は存在しません。動画アリーナで20位台後半あたりに位置していたという古い言及は、現在公開されているボードとは一致しておらず、現在の順位ではなく古いスナップショットとして扱うべきです。

価格は2つの異なる事業者によって2つの通貨で提示されており、どちらも知っておく価値がある。MiniMax自身のAPIはプリペイドのポイントパッケージを販売しており、6秒の768p標準クリップは1ポイントを消費し、10秒の768pまたは6秒の1080pクリップは2ポイントを消費する — より高速なHailuo-2.3-Fastバリアントでは、これらがおよそ0.7および1.1〜1.3ポイントに削減される。サードパーティのトラッカーは、1秒あたり0.067ドル〜0.082ドル程度のより均一な料金を掲載しており、そのうちの1つは$0.0817/sで、「最大1080p、クリップあたり最大10秒、無音出力」と記載し、6秒クリップ300本で月額約147ドルとしている。どちらのルートを選んでも、桁は同じであり、このカテゴリで最も安価な生成である。

型落ちモデルを買うことの問題点

Hailuo 2.3 には、どんなスペックよりも重要なライフサイクル上の事実があり、それはこのモデルへの批判ではありません。MiniMax はすでに次へ進んでいます。その後継である MiniMax H3——Hailuo 3 世代——は 2026 年 7 月 31 日にリリースされ、まったく異なるクラスの製品です。テキスト、画像、動画、音声の参照をひとつのコンテキストとして読み込むオムニモーダルモデルで、768p または 2K でネイティブのステレオ音声付きの 4～15 秒クリップを生成し、出力秒単位で課金されます。

それはベンダーの主張ではありません。独立系の掲示板に掲載されており、その配置も強力です：

• テキストから動画 — MiniMax H3（768p）は、8,315票でElo 1,137（±9）の4位、$4.80/分。

• 画像から動画 — MiniMax H3 は Elo 1,181（±8）、7,284 票で 2 位、$7.80/分。

• 動画編集 — MiniMax H3 は Elo 1,132（±6）で2位、12,043票、$7.80/分。

では、2026年10月にHailuo 2.3を購入することの正直な位置づけはこうだ。あなたは、旗艦世代が両方の生成モードでトップ5に入り、2.3に欠けている音声を備え、1秒あたりおそらく5～10倍のコストがかかるファミリーの、廉価帯を買っているのだ。それは大量のスタイリング作業にとっては擁護できる判断だ――まさに廉価帯の役割そのものだ――が、デフォルトではなく意図的な選択であるべきだ。今日2.3を評価する人は、まずH3を並べて価格を比較すべきだ。両者の差は漸進的なものではないから。

5秒対6秒、そしてその差が見た目より小さい理由

長さの点では、Kandinsky 6.0 Videoは勝っていない。これは121フレーム、24 fps——5秒——で学習されており、リリースには延長モードが含まれていない。Hailuo 2.3は1080pで6秒を提供する。どちらも連続したシーンには十分ではなく、どちらも30秒の作品が5、6回の生成に加えてつなぎ合わせを意味する。

重要なギャップはほかのところにある。

• 音声 — Kandinsky 6.0 Video：44 kHz、リップシンク対応、映像と同時に生成、常にオン。Hailuo 2.3：設計上なし。

• 解像度 — Kandinsky 6.0 Video: 専用の超解像モデルによる SD、HD、フル HD、5秒クリップの x2、x4、x2.25 アップスケール。Hailuo 2.3: 最大 1080p、SR ステージなし。

• コンディショニング — Kanduo 6.0 Video: テキストから音声付き動画へ、および画像から音声付き動画へ。参照画像1枚をマスクされた末尾フレームとして適用。Hailuo 2.3: テキストから動画へ、および画像から動画へ。終了フレームなし。

• 重み — Kandinsky 6.0 Video：MIT、Pro、Lite。diffusers 統合と、— 今朝から — vLLM-Omni サービングパイプラインを備えています。Hailuo 2.3：未リリース。

• 料金 — Hailuo 2.3：出力1秒あたり、またはプリペイドパッケージから差し引かれるポイント制で、より安価なFastバリアントあり。Kandinsky 6.0 Video：レートは一切なし。GPUは自分で用意する。

ベンダー自身の証拠が示すこと、そして示せないこと

Kandinsky 6.0 Videoの品質に関する主張は未監査であり、そのように記述されるべきです。SberはVABenchの結果を報告しており、そこではProが、評価対象の3システム — 自社のLiteモデルとLTX 2.5 — の中で、音声品質、オーディオの美的品質、テキスト-ビデオおよびオーディオ-ビデオの整合性、リップシンク精度、非同期、視覚的リアリズムにおいてリードしています。また、ラボ実施のサイドバイサイド人間評価（基準ごとに約200以上の一対比較）も報告しており、そこでは同モデルはKling 2.6およびVeo 3.1 Fastと競合し、視覚基準ではMiniMax H3およびDreamina Seedance 2.0に劣り、音声品質とオーディオ-ビデオ同期では競争力を維持しています。ブラインドの公開Eloはなく、外部による再現もありません。

Hailuo 2.3の根拠は逆の形をしている。広く使われ、価格も公表されているが、現在は独立系の動画ボードには載っていないため、現行のフィールドと比較して位置づけることもできない。どちらのモデルにも、購入者が最も望むものがない——そしてHailuoの場合、それを持っているのは自らの後継モデルだ。それこそが、名指しするに値する非対称性だ。一方のモデルのファミリーはすでに採点され位置づけられているが、もう一方のファミリーはまったく採点されていない。

すると残るのは、音声の分断であり、それは機能一覧の一行ではなく、真の分断だ。Hailuo 2.3 の無音は一つのことを単純にする——クリップをマスタリング工程に渡すとき、保持すべきサウンドトラックが存在しない——そして別のことを複雑にする。トーキングヘッド、ナレーション付きの製品スポット、効果音をアクションに合わせなければならないクリップはすべて、今や2回の生成に加えて、自分で担うアラインメント工程が必要になる。Kandinsky 6.0 Video のアーキテクチャ全体はこの問題を狙っている。二重ストリームの CrossDiT が、双方向クロスアテンションのもとで映像ストリームとゼロから作る音声ストリームを組み合わせ、さらに、論文が生成音声の単語誤り率を47%削減すると報告する強化学習ステージを備える——測定には RL 報酬モデルの一つである Whisper-large-v3 が使われており、論文が VABench と併せて報告している別個の Qwen3-ASR-1.7B の単語誤り率とは比較できない。

ルーターが適する場合と、適さない場合

OrcaRouterはKandinsky 6.0 VideoやHailuo 2.3を提供しておらず、ここでそのような主張もしていません。Kandinskyはご自身でダウンロードして実行するもので、Hailuo 2.3はMiniMax独自のAPIとポイントシステムを通じて利用します。どちらか一方で構築したパイプラインがルーターに求めるのは、レンダリングを囲むテキストです。つまりショットリスト、ブリーフをこうしたモデルが学習した長文または短文のキャプションに変えるプロンプト展開、キャプションと台詞の作業、そしてどの生成を残すかを決めるレビュー要約です。これらは普通のテキスト呼び出しで、200以上のモデルにまたがる単一のOpenAI互換エンドポイント上で、プロバイダー定価・マークアップ0%で動作します。そのため、ベンダーの価格変更は適用された当日に同じキーで反映され、レンダリング途中で呼び出しが失敗してもバッチを失わずに自動フェイルオーバーで経路が切り替わります。動画モデルを囲むオーケストレーション層は、動画モデル自体がルーティング可能でなくてもルーティングの問題です——今日、これら2つはまさにその状況にあります。

どちらを選ぶべきですか

ボリュームが重視され、美学が様式化またはアニメーション寄りで、成果物がサイレントで、クリップ単位のメーターが重要な制約であるなら、Hailuo 2.3 を選べ。これはこのカテゴリーで最も安価な実用的生成であり、それに見合った価格設定になっている。確定する前に、その横で MiniMax H3 の価格も確認せよ。同じファミリーのフラッグシップ生成は両モードでトップ5に評価されており、2.3には決してなかった音声を備えているからだ。

Kandinsky 6.0 Video を選ぶのは、成果物に音声が必要なとき、5秒単位がショットリストに合うとき、提供されたスチル画像に対する image-to-video の忠実度が要件であるとき、そしてモデルを借りるより所有することが重要なときです。コストが率直に示された状態で臨みましょう。料金レートなし、5秒の上限、ProモデルではフルHDレンダリングがH100で約402秒、RTX 5090で854秒かかること、ピーク割り当てが72.8 GiB未満ではブロックオフロードが必要であること、そしてラボの外の誰かが評価するまでは品質の主張が完全にSber自身によるものであることです。

二つの価格表の下にある問いは、今四半期の多くのビデオインフラを決定づけるものだ。Hailuo 2.3は秒単位で課金し、ファイルを渡す。Kandinsky 6.0 VideoはGPU単位で課金し、ライセンスを渡す。月に100本のクリップを生成するチームにとって、請求書は表計算ソフトが測るあらゆる軸で勝つ。ファインチューニングを行い、オフラインで実行し、あるいは次世代がリリースされた後も同じモデルを使い続けるつもりであるチームにとって、ダウンロードは表計算ソフトには見えない一つの軸で勝つ。