Kling 4.0 vs Kandinsky 6.0 Vídeo: O confronto direto que ninguém fez

A única avaliação humana publicada que coloca Kling 4.0 e Kandinsky 6.0 Video na mesma sala não existe. O que existe é um artigo do próprio laboratório da Kandinsky, enviado ao arXiv em 4 de outubro de 2026, que compara o Kandinsky 6.0 Video Pro com Kling 2.6 — duas gerações atrás do modelo que a Kuaishou lançou para todos em 15 de outubro. Essa lacuna é o ponto de partida honesto para este confronto, e ela aponta numa direção que a maioria das páginas de comparação ignora: nas colunas que o artigo realmente mede, o Kling mais antigo venceu várias de forma direta. As alegações da Kuaishou para o 4.0 exatamente nessas colunas são as que ninguém verificou.

Portanto, esta não é uma página que dirá qual modelo é melhor, porque as evidências para afirmar isso ainda não existem. É uma página sobre o que cada um foi realmente projetado para fazer, o que a única comparação direta real descobriu e qual dos dois você pode colocar em um pipeline esta semana.

Dois produtos que só parecem iguais

Kling 4.0 é um gerador fechado, com cobrança por créditos, da Kuaishou. O modelo completo faz texto para vídeo, imagem para vídeo, primeiro e último quadro, múltiplos keyframes, referência omni e edição direcionada, com duração de 3 a 30 segundos e resolução de 720p a 4K. É vendido pelo aplicativo e site do Kling, com uma API que a Kuaishou começou a liberar em ondas a partir de 21 de outubro e cuja tabela de preços para desenvolvedores ainda rotula o modelo como "Coming Soon", apenas com tarifas de prévia.

Kandinsky 6.0 Video é o tipo oposto de artefato. O Kandinsky Lab da Sber o lançou em 6 de outubro de 2026 como dois checkpoints — Pro com 29B parâmetros e Lite com 3B, além de um modelo separado de super-resolução de 1,4B — sob MIT, com pesos no Hugging Face, código no GitHub e integração desde o primeiro dia no Diffusers, ComfyUI, FastVideo, SGLang e vLLM-Omni. Ele gera clipes de cinco segundos a 121 quadros e 24 fps, com áudio sincronizado de 44,1 kHz e sincronia labial, a partir de um prompt de texto ou de uma imagem de referência.

Um é um serviço com vantagem de duração. O outro é um download com vantagem de licença. Quase todas as diferenças práticas entre eles decorrem dessa frase.

O único confronto direto, lido com honestidade

A avaliação humana do artigo do Kandinsky é a coisa mais próxima de um placar compartilhado, e vale a pena lê-la com atenção porque é um laboratório avaliando seu próprio novo modelo em comparação com um concorrente que ele escolheu.

• Qualidade visual geral — Kling 2.6 à frente, segundo os próprios avaliadores do artigo.

Estética visual — Kling 2.6 à frente.

• Qualidade de áudio — Kling 2.6 à frente.

• Sincronização de áudio e vídeo — Kling 2.6 na frente.

• Seguimento do prompt de som — Kandinsky 6.0 Video Pro em breve.

• Qualidade da fala — Kandinsky 6.0 Video Pro à frente, consistente com a redução relatada de 47% na taxa de erro de palavras da fala gerada após pós-treinamento com aprendizado por reforço.

• Controle de câmera em imagem para vídeo com áudio — Kandinsky 6.0 Video Pro na liderança.

• Aderência ao prompt visual — praticamente empatados.

Três coisas se seguem. Primeiro, o modelo mais novo não superou o mais antigo de forma esmagadora, o que é incomum para uma avaliação do próprio laboratório e merece crédito. Segundo, as vitórias do Kandinsky se concentram onde a arquitetura é incomum — ele remove ruído de latentes de vídeo e áudio conjuntamente por meio de um único transformer, em vez de executar dois modelos em sequência — e isso aparece mais na aderência a prompts de fala e som do que na qualidade bruta da imagem. Terceiro, a comparação não diz nada sobre Kling 4.0, cujo argumento de venda inteiro é mais realismo, movimento em grande escala mais estável e sincronia labial mais limpa. Essas são precisamente as colunas em que seu antecessor já liderava.

Se quiser que a comparação seja real e não inferida, o elemento em falta é uma corrida independente na arena com ambos os modelos incluídos. Hoje, nenhum deles tem uma contra o outro.

A lacuna de especificação que decide a maioria dos trabalhos

• Duração do clipe — O Kling 4.0 vai de 3 a 30 segundos em uma única passagem, com extensão para até 2 minutos listada como em breve. O Kandinsky 6.0 Video é treinado com 121 quadros e gera 5 segundos. Qualquer coisa mais longa é um problema de emenda que é sua responsabilidade.

• Resolução — O Kling 4.0 disponibiliza 720p, 1080p e 4K, com HDR de 10 bits em 1080p e 4K, assinalado como "em breve" na nota de lançamento da própria Kuaishou. O Kandinsky gera em SD e faz upscale através do seu modelo de super-resolução de 1,4B para Full HD, 1920×1080, com fatores ×2, ×2,25 e ×4.

• Entradas de controle — o Kling 4.0 aceita até 10 keyframes e um orçamento de 15 itens de referência divididos entre 10 imagens, 5 vídeos com limite de 30 segundos no total, referências de voz e até 7 elementos. O Kandinsky 6.0 Video aceita um prompt de texto ou uma única imagem de referência, aplicada como quadro final mascarado.

• Áudio — o Kling 4.0 gera estéreo de dois canais com sincronização labial em nove idiomas e sotaques nomeados. O Kandinsky gera AAC de 44,1 kHz com áudio ativado por padrão; o pipeline retorna fala, música ou ambiência sincronizadas mesmo quando você não passa nenhum parâmetro de áudio.

• Comprimento do prompt — Kling 4.0 aceita até 8.000 tokens. A receita de serving do Kandinsky é construída em torno do estilo de legenda no qual o modelo foi treinado, longo, médio ou curto, não um roteiro aberto.

Licença — O Kling 4.0 é fechado, regido pelos termos da Kuaishou. O Kandinsky 6.0 Video é MIT para o código, os pesos e a integração com o Diffusers.

Essa última linha faz mais do que seu comprimento sugere. Um modelo fechado de 30 segundos e um modelo MIT de 5 segundos não são intercambiáveis mesmo quando a qualidade de imagem deles é próxima, porque um restringe o que você pode construir e o outro restringe o que você pode gerar.

Quanto custa cada um, na unidade que realmente é cobrada

A página de preços para desenvolvedores do Kuaishou lista o Kling 4.0 a 1,5 unidades por segundo em 1080p, que ela converte para US$ 0,235 por segundo, e 1,0 unidade, US$ 0,157 por segundo, em 720p. Não há tarifa para 4K — a coluna mostra "-". Com entrada de vídeo, a tarifa cai para US$ 0,094 por segundo em 720p e US$ 0,141 em 1080p, mas a cobrança considera a duração da saída vezes dois quando a entrada é mais curta que a saída. A página também diz que os valores são "apenas para fins de prévia" e que o acesso à API "ainda não está disponível", o que soa estranho diante do anúncio da Kuaishou de 21 de outubro de que a API havia entrado no ar para clientes empresariais e desenvolvedores. Lidos em conjunto, o mais justo é dizer que a API está sendo aberta por etapas e que não existe uma tabela de preços pública e estável em 23 de outubro.

Na tarifa de pré-visualização, um clipe de cinco segundos em 720p custa cerca de US$ 0,79, e um de 30 segundos, cerca de US$ 4,71. Esse é o número com o qual se deve verificar qualquer orçamento de revendedor terceirizado, porque as tarifas dos revendedores variam independentemente das da Kuaishou.

Kandinsky 6.0 Video não tem preço por segundo porque não há endpoint de fornecedor para comprar. Seu custo é tempo de GPU, e o repositório publica números medidos para um clipe de cinco segundos após o aquecimento, excluindo o carregamento do modelo e a codificação: o Pro em Full HD leva 402 segundos numa H100, 854 numa RTX 5090, 1.247 numa RTX 4090 e 3.530 numa RTX 5060 Ti. O Lite em Full HD leva 284 segundos numa H100. A qualquer tarifa de H100 que você pague, 402 segundos são 6,7 minutos dessa placa por clipe de cinco segundos — multiplique e a aritmética é sua para rodar, porque o fornecedor não vende a saída e, portanto, não publica preço para ela.

O teto de memória é o outro número que decide se a auto-hospedagem é viável para você. Uma execução do Pro SD atinge o pico de 72,8 GiB, acima de qualquer placa de consumidor. O preset de 16 GB do repositório faz streaming de blocos do transformer a partir da memória do host e quantiza o codificador de texto para NF4 — e o artigo deixa explícito que essa é a única alteração de preset que modifica o próprio CLIP. Se você reproduzir a saída de alguém em uma placa de 16 GB e ela não corresponder, essa configuração é a primeira coisa a verificar.

O que você pode chamar hoje, e como isso molda a decisão

Aqui está a assimetria que importa mais do que qualquer benchmark: Kling 4.0 é acessível pelo próprio aplicativo da Kuaishou e, cada vez mais, pela sua API, enquanto Kandinsky 6.0 Video é acessível ao baixá-lo. Nenhum dos dois é uma chamada pronta para uso de uma camada de roteamento.

O que o OrcaRouter roteia é a geração que Kling 4.0 substitui. O Kling 3.0 está no catálogo a US$ 0,084 por requisição, e o MiniMax H3 está lá a US$ 0,08 por segundo de vídeo gerado, ambos no mesmo endpoint compatível com OpenAI que mais de 200 modelos, pelo preço de tabela do provedor com 0% de markup. Isso importa para um modelo auto-hospedado de um jeito que não importa para um hospedado: a etapa de expansão de prompt que transforma a descrição de uma cena na longa legenda com a qual o Kandinsky foi treinado, o trabalho de legendagem e transcrição que alimenta uma entrada de imagem, os resumos de revisão que decidem qual de quatro gerações manter — essas são chamadas de texto comuns, e podem compartilhar uma única chave e uma única política de failover enquanto o trabalho pesado de vídeo roda onde quer que você o coloque. O próprio Kandinsky não é uma rota do OrcaRouter, e nada aqui deve ser lido como uma afirmação de que seja.

Qual deles se encaixa na sua stack

A decisão não depende da qualidade, porque ninguém a mediu de forma justa. Ela depende de três perguntas que você mesmo pode responder.

Você precisa de uma tomada com mais de cinco segundos? Então Kandinsky 6.0 Video está fora da disputa para essa tomada, e nenhuma quantidade de licenciamento MIT muda isso — você estaria emendando, e emendar custa a coerência temporal em que o modelo é bom.

Você precisa possuir os pesos, executar offline, fazer fine-tuning ou distribuir dentro de um produto em que uma cobrança por chamada do fornecedor seja inaceitável? Então Kling 4.0 está fora da disputa independentemente da ficha técnica, porque uma API fechada é uma dependência, não um ativo.

Você precisa tomar a decisão esta semana com um orçamento que alguém vai aprovar? Então nenhuma das duas opções é simples. A API do Kling 4.0 está em fase de lançamento gradual, com preços de pré-visualização, e o custo real do Kandinsky é um valor por hora de GPU que você precisa converter para a sua própria infraestrutura. Os modelos que você pode precificar e chamar hoje são da geração anterior dos dois lados — Kling 3.0 via Kuaishou ou um roteador, Kandinsky 6.0 Video do Hub.

O que merece atenção não é uma especificação. É se alguém roda os dois modelos com os mesmos prompts e publica o resultado — uma entrada independente em uma arena, um laboratório que não seja dono de nenhum dos dois modelos, ou um conjunto confiável de clipes lado a lado com os prompts anexados. Até que isso exista, qualquer página que classifique Kling 4.0 contra Kandinsky 6.0 Video com um vencedor está extrapolando a partir de uma comparação com o Kling 2.6 e contando com o fato de você não perceber. O trabalho útil, enquanto isso, é mais restrito: escolha a restrição que você não pode mudar e deixe que ela escolha o modelo.