Kling 4.0 vs Kandinsky 6.0 Video：誰も実施していない直接対決

公開済みの人手評価で、Kling 4.0とKandinsky 6.0 Videoを同じ場に置いた唯一のものは存在しない。存在するのは、Kandinskyの自社ラボによる、2026年10月4日にarXivへ投稿された論文で、Kandinsky 6.0 Video ProをKling 2.6と比較している——Kuaishouが10月15日に全員へ提供したモデルより2世代前のものだ。この隔たりこそ、この対決の正直な出発点であり、ほとんどの比較ページが無視している方向に効いてくる。論文が実際に測定している項目では、旧型のKlingが複数で完全に勝利していた。まさにその項目についての4.0に関するKuaishouの主張こそ、誰も検証していないものだ。

つまり、これはどのモデルが優れているかを教えてくれるページではありません。そう言えるだけの証拠がまだ存在しないからです。これは、それぞれが実際に何をするために作られているのか、唯一の本物の直接対決で何が分かったのか、そして2つのうちどちらを今週パイプラインに組み込めるのかについてのページです。

見た目だけが似ている2つの製品

Kling 4.0は、Kuaishouが提供するクローズドでクレジット課金制の生成ツールです。フルモデルはテキストから動画、画像から動画、先頭・最終フレーム、マルチキーフレーム、オムニ参照、ターゲット編集に対応し、長さは3～30秒、解像度は720p～4Kです。Klingアプリとウェブサイトを通じて販売されており、APIはKuaishouが10月21日から段階的に開放を開始しましたが、開発者向けの価格表ではモデルが依然として「近日公開」と表示され、プレビュー料金のみが記載されています。

Kandinsky 6.0 Videoは対照的な種類の成果物です。SberのKandinsky Labは2026年10月6日に、29BパラメータのProと3BのLiteという2つのチェックポイント、さらに別個の1.4B超解像モデルとしてMITライセンスで公開し、重みはHugging Faceに、コードはGitHubに置き、Diffusers、ComfyUI、FastVideo、SGLang、vLLM-Omniでは初日から統合されています。テキストプロンプトまたは参照画像から、121フレーム・24 fpsの5秒クリップを、同期された44.1 kHz音声とリップシンク付きで生成します。

一方は期間面で優位なサービス。もう一方はライセンス面で優位なダウンロード。両者の実用上の違いは、ほぼすべてこの一文から導かれる。

唯一の直接対決を、率直に読み解けば

Kandinsky論文の人間評価は、共有されたスコアボードに最も近いものであり、研究室が自ら選んだ競合他社に対して自らの新しいモデルを評価するものなので、注意深く読む価値がある。

• 全体的な視覚品質 — 論文自身の評価者によると、Kling 2.6 が優位。

• 視覚的な美しさ — Kling 2.6 が優位。

• 音質 — Kling 2.6 が優位。

• 音声と映像の同期 — Kling 2.6 が優位。

• サウンドプロンプトに追随 — 次は Kandinsky 6.0 Video Pro です。

• 音声品質 — Kandinsky 6.0 Video Proが優位で、強化学習による事後学習後に生成音声の単語誤り率が47%減少したと報告されていることとも一致している。

• 音声付きの画像から動画への変換におけるカメラコントロール — Kandinsky 6.0 Video Pro が一歩先を行く。

• ビジュアルプロンプトへの追従性 — ほぼ互角。

ここから分かることは3つある。第一に、新しいモデルは旧モデルを圧倒したわけではない。これはラボ自身の評価としては異例であり、評価に値する。第二に、Kandinskyの勝利はアーキテクチャが特異な領域に集中している——2つのモデルを順に動かすのではなく、1つのトランスフォーマーで映像と音声の潜在表現を同時にノイズ除去する——そしてそれは、生の画質よりも、音声やサウンドプロンプトへの忠実さにより強く表れている。第三に、この比較からはKling 4.0について何も分からない。その売り文句は、より優れたリアリズム、より安定した大規模な動き、よりクリーンなリップシンクだ。そしてそれらはまさに、前モデルがすでにリードしていた項目なのだ。

比較を推測ではなく実際のものにしたいなら、欠けている成果物は、両方のモデルが参加する独立したアリーナ実行です。現時点では、どちらも相手とのアリーナ実行を持っていません。

ほとんどの案件を左右する仕様ギャップ

• クリップの長さ — Kling 4.0 は1回のパスで3～30秒を生成し、2分への延長は近日公開予定とされています。Kandinsky 6.0 Video は121フレームで学習され、5秒を生成します。それより長いものは、あなた自身が対処すべきつなぎ合わせの問題です。

• 解像度 — Kling 4.0は720p、1080p、4Kを提供し、1080pおよび4Kでの10-bit HDRは、Kuaishou自身のリリースノートで「近日提供予定」と記載されています。KandinskyはSDで生成し、1.4Bの超解像モデルによってフルHD（1920×1080）までアップスケールします。倍率は×2、×2.25、×4です。

• 制御入力 — Kling 4.0は最大10個のキーフレームと、10枚の画像、合計30秒までの5本の動画、音声参照、最大7つの要素に配分される15項目の参照枠を受け付けます。Kandinsky 6.0 Videoはテキストプロンプトまたは単一の参照画像を受け付け、マスクされた末尾フレームとして適用します。

• オーディオ — Kling 4.0 は2チャンネルステレオを出力し、9言語および指定されたアクセントに対応したリップシンクを実現します。Kandinsky はデフォルトで音声が有効な状態で 44.1 kHz の AAC を出力します。音声パラメータを一切渡さなくても、パイプラインは同期された音声、音楽、または環境音を返します。

プロンプトの長さ — Kling 4.0は最大8,000トークンまで受け付けます。Kandinskyのサービングレシピは、モデルが学習したキャプションスタイル（長・中・短）を中心に構成されており、自由記述のスクリプトではありません。

• ライセンス — Kling 4.0 はクローズドで、Kuaishou の利用規約に従います。Kandinsky 6.0 Video は、コード、重み、および Diffusers 統合について MIT ライセンスです。

最後の行は、その長さから想像される以上に多くのことを担っている。30秒のクローズドモデルと5秒のMITモデルは、画質が近くても互換ではない。一方は何を構築できるかを制約し、もう一方は何を生成できるかを制約するからだ。

それぞれのコストを、実際に請求される単位で

Kuaishouの開発者向け料金ページにはKling 4.0が、1080pで毎秒1.5ユニット、これを毎秒$0.235に換算し、720pでは1.0ユニット、毎秒$0.157と記載されています。4Kの料金はなく、該当欄には「-」と表示されています。動画入力の場合、料金は720pで毎秒$0.094、1080pで毎秒$0.141に下がりますが、入力が出力より短い場合、課金では出力時間を2倍として数えます。ページには、数値は「プレビュー目的のみ」であり、APIアクセスは「まだ利用できない」とも書かれており、これは10月21日にAPIが企業クライアントと開発者向けに公開されたというKuaishouの発表とちぐはぐに並んでいます。両者を合わせて読むと、妥当な説明は、APIは段階的に開放されており、10月23日時点で公開された安定した料金表は存在しないということです。

プレビュー料金では、5秒の720pクリップは約$0.79、30秒のものは約$4.71かかります。これは、第三者のリセラーの見積もりを妥当性確認するための基準となる数値です。なぜなら、リセラー料金はKuaishouの料金とは独立して変動するからです。

Kandinsky 6.0 Videoには1秒あたりの価格がありません。購入できるベンダーエンドポイントが存在しないためです。そのコストはGPU時間であり、リポジトリは、ウォームアップ後の5秒クリップ1本について、モデルの読み込みとエンコードを除いた実測値を公開しています。Full HDのProはH100で402秒、RTX 5090で854秒、RTX 4090で1,247秒、RTX 5060 Tiで3,530秒かかります。Full HDのLiteはH100で284秒です。支払うH100の料率がいくらであっても、402秒は5秒クリップ1本あたりそのカード6.7分に相当します — 掛け算して計算を走らせるのはあなた次第です。ベンダーは出力を販売しておらず、したがってその価格を公開していないからです。

メモリ上限は、セルフホスティングが自分にとって現実的かどうかを決めるもう一つの数値です。Pro SD の実行ではピークが 72.8 GiB に達し、あらゆるコンシューマー向けカードを超えます。リポジトリの 16 GB プリセットは、トランスフォーマーブロックをホストメモリからストリーミングし、テキストエンコーダーを NF4 に量子化します。そして論文は、これが CLIP 自体を変更する唯一のプリセット変更であると明言しています。16 GB カードで誰かの出力を再現して一致しない場合、まず確認すべきはこの設定です。

今日、何と呼べるか、そしてそれが意思決定をどう形作るか

ここに、あらゆるベンチマークよりも重要な非対称性がある：Kling 4.0はKuaishou自身のアプリを通じて、そしてますますAPIを通じて利用可能である一方、Kandinsky 6.0 Videoはダウンロードすることで利用できる。どちらもルーティング層からそのまま呼び出せるものではない。

OrcaRouterがルーティングするのは、Kling 4.0が置き換える世代です。Kling 3.0はカタログに1リクエストあたり$0.084で掲載されています。また、MiniMax H3は生成動画1秒あたり$0.08で提供されており、どちらも200以上のモデルと同じOpenAI互換エンドポイント上で、プロバイダーの定価、マークアップ0%で利用できます。これは、ホスト型モデルには当てはまらない形で、セルフホスト型モデルにとって重要です。ショットの説明を、Kandinskyが学習に使った長いキャプションに変換するプロンプト拡張パス、画像入力に渡すキャプションとトランスクリプトの作業、4つの生成結果のうちどれを残すかを決めるレビュー要約——これらは通常のテキスト呼び出しであり、動画の重い処理をどこに配置していても、1つのキーと1つのフェイルオーバーポリシーを共有できます。Kandinsky自体はOrcaRouterのルートではなく、ここでの記述はそうであると主張していると読むべきではありません。

あなたのスタックに属するのはどれですか

その判断は品質で決まるものではない。誰も品質を公平に測定していないからだ。判断を左右するのは、自分で答えられる3つの問いだ。

5秒より長いショットが必要ですか？それならKandinsky 6.0 Videoはそのショットの選択肢から外れます。MITライセンスがあってもそれは変わりません — つなぎ合わせることになり、つなぎ合わせると、このモデルが得意とする時間的一貫性が損なわれます。

モデルの重みを所有したり、オフラインで実行したり、ファインチューニングしたり、呼び出しごとのベンダー課金が許容できない製品に組み込んで出荷したりする必要がありますか？ その場合、Kling 4.0は、スペックシートがどうであれ候補から外れます。クローズドAPIは資産ではなく依存関係だからです。

今週中に、誰かが承認する予算で判断を下す必要がありますか？ それなら、どちらもすっきりした選択肢ではありません。Kling 4.0 の API はプレビュー価格のまま段階的提供の途中で、Kandinsky の実際のコストは、自社インフラに換算する必要がある GPU 時間の数字です。今日価格を確認して呼び出せるモデルは、どちらも前世代です — Kuaishou またはルーター経由の Kling 3.0、Hub からの Kandinsky 6.0 Video です。

注目すべきは仕様ではない。重要なのは、誰かが両モデルを同じプロンプトで実行し、その結果を公開するかどうかだ——独立したアリーナへのエントリー、どちらのモデルも所有していない研究所、あるいはプロンプトを添付した信頼できる並列比較クリップのセット。それが存在するまで、ランキングするページはKling 4.0対Kandinsky 6.0 Videoに勝者をつけて、Kling 2.6との比較から外挿しているのであり、あなたが気づかないことを期待している。当面の有益な作業はもっと狭い——動かせない制約を選び、その制約にモデルを選ばせよう。