Kandinsky 6.0 Video กับ Google Veo 3.1: สามระดับเทียบกับสองขนาด

เปิดรายงานทางเทคนิคของ Sber สำหรับ Kandinsky 6.0 Video แล้วไปที่ส่วนการเปรียบเทียบแบบตัวต่อตัว คุณจะสังเกตเห็นบางสิ่งบางอย่างที่หน้าเปรียบเทียบทั้งหลายมองข้ามไป: คู่ต่อสู้ไม่ใช่ Veo 3.1 แต่เป็น Veo 3.1 Fast Sber ทำการประเมินโดยมนุษย์เทียบกับรุ่นกลางในสามระดับของ Veo และทางเลือกเพียงข้อเดียวนี้บอกคุณเกี่ยวกับการจับคู่นี้ได้มากกว่าข้ออ้างเรื่องคุณภาพใด ๆ ในนั้น Veo 3.1 เปิดให้ใช้ทั่วไปตั้งแต่ 17 พฤศจิกายน 2025 ในสามระดับบริการ ส่วน Kandinsky 6.0 Video มาถึงในสัปดาห์แรกของเดือนตุลาคม 2026 ในสองขนาดที่ดาวน์โหลดได้ คือ Pro ที่ 29B และ Lite ที่ 3B ภายใต้ MIT หนึ่งในนั้นคือบริการที่คุณจ่ายตามวินาที อีกหนึ่งคือเช็กพอยต์ที่คุณรันเอง — และคำถามเรื่องระดับบริการ ไม่ใช่คำถามเรื่องคุณภาพ คือจุดที่การตัดสินใจอยู่จริง

Veo 3.1 คือผลิตภัณฑ์สามอย่างที่ใช้ชื่อเดียวกัน

โมเดลของ Google พร้อมใช้งานทั่วไปในรุ่น Standard, Fast และ Lite โดยทั้งสามรุ่นสร้างกลุ่มรูปแบบเดียวกัน ได้แก่ 720p, 1080p และ 4K แบบเนทีฟที่ 24 fps ความยาวแบบเนทีฟ 4, 6 หรือ 8 วินาที โดยมีรายงานว่าเอาต์พุตที่ยาวกว่าจะอยู่ที่ 1080p และสามารถเชื่อมต่อการขยายฉากได้เกินกว่านั้น รองรับภาพอ้างอิงสูงสุดสามภาพเพื่อความสม่ำเสมอของตัวละครและฉาก พร้อมการควบคุม seed และ negative prompt เอาต์พุตมีข้อมูลเมตาแหล่งที่มา SynthID และ C2PA

สิ่งที่แยกระดับต่าง ๆ ออกจากกันคือราคาและความเร็ว และลีดเดอร์บอร์ดอิสระบอกบางอย่างที่ชวนอึดอัดเกี่ยวกับช่องว่างนั้น บนลีดเดอร์บอร์ดแปลงข้อความเป็นวิดีโอของ Artificial Analysis ทั้งสามอยู่ห่างกันไม่เกิน 14 Elo — Veo 3.1 ที่ 962 (±10) จาก 2,998 โหวต, Veo 3.1 Fast ที่ 961 (±10) จาก 4,325 โหวต, Veo 3.1 Lite ที่ 948 (±10) จาก 2,903 โหวต — ขณะที่อัตราที่ระบุไว้อยู่ที่ $24.00, $7.20 และ $4.80 ต่อนาที เมื่ออ่านข้อมูลเหล่านี้ร่วมกัน อารีนากำลังบอกคุณว่ามันไม่สามารถแยกระดับต่าง ๆ ตามความชอบได้อย่างน่าเชื่อถือ นั่นไม่ได้หมายความว่าระดับเหล่านั้นเหมือนกันทุกประการ แต่มันหมายความว่าคำถามจริงของนักซื้อคือระดับไหนที่ผ่านเกณฑ์ของพวกเขา เพราะลีดเดอร์บอร์ดความชอบจะไม่ตอบคำถามนั้นให้พวกเขา

Kandinsky 6.0 Video ใช้แนวทางตรงกันข้าม มีสองขนาด — Pro ที่ 29B และ Lite ที่ 3B — ใช้สถาปัตยกรรมเดียวและรูปแบบเอาต์พุตคงที่เดียว: 5 วินาที 121 เฟรมที่ 24 fps เสียง 44 kHz ที่ซิงโครไนซ์พร้อมลิปซิงก์ จากข้อความหรือภาพอ้างอิง โดยมีโมเดลซูเปอร์เรโซลูชันแยกต่างหากที่ยกระดับผลลัพธ์เป็น Full HD ไม่มีเวอร์ชัน Fast และไม่มีโหมดขยาย คุณเลือกขนาดและ GPU

สิ่งที่การประเมินของแล็บเองอ้างจริง ๆ

นี่เป็นข้อมูลเปรียบเทียบโดยตรงเพียงชุดเดียวที่มีอยู่ระหว่างสองระบบนี้ และเป็นข้อมูลที่ผู้ขายรายงานเองทั้งสองฝั่งของเครื่องหมายทับ — Sber เป็นคนรัน Sber เป็นคนเผยแพร่ และไม่มีใครนอก Sber ที่ทำซ้ำผลนี้ได้ การระบุข้อมูลนี้อย่างถูกต้องแม่นยำสำคัญกว่าการระบุในแง่ดี

ในโหมดข้อความเป็นเสียงและวิดีโอ รายงานระบุว่า Kandinsky 6.0 Video Pro เป็นที่ชื่นชอบมากกว่าในด้านอาร์ติแฟกต์และการเคลื่อนไหวของกล้องด้วยส่วนต่างที่มีนัยสำคัญทางสถิติ และนำเล็กน้อยในด้านความสมจริงของการเคลื่อนไหวในสนามที่เต็มไปด้วยการเสมอกัน Veo 3.1 Fast นำในด้านการทำตามพรอมต์ภาพ คุณภาพเสียงพูด การซิงโครไนซ์เสียงและวิดีโอ คุณภาพเสียงโดยรวม การทำตามพรอมต์เสียง และการแก้ไขงานของผู้ใช้ โดยทั้งหมดยกเว้นเสียงพูดมีนัยสำคัญ คุณภาพภาพโดยรวมใกล้เคียงกัน โดย Veo เหนือกว่าเล็กน้อย

ใน image-to-video รูปแบบจะพลิกกลับในด้านภาพ Kandinsky 6.0 Video Pro เป็นที่ชื่นชอบในด้านคุณภาพภาพโดยรวม การจัดตำแหน่งภาพอ้างอิง อาร์ติแฟกต์ และการเคลื่อนไหวของกล้อง ซึ่งทั้งหมดมีนัยสำคัญ Veo 3.1 Fast ยังคงเป็นผู้นำในด้านการทำตามพรอมต์ภาพ การซิงโครไนซ์เสียงและวิดีโอ คุณภาพเสียงโดยรวม การทำตามพรอมต์เสียง และการแก้ปัญหางานของผู้ใช้ ซึ่งก็มีนัยสำคัญเช่นกัน ความสมจริงของการเคลื่อนไหวและคุณภาพเสียงพูดออกมาใกล้เคียงกัน

มีสองประเด็นตามมา ผลลัพธ์ด้านการสร้างวิดีโอจากภาพคือข้อค้นพบที่แท้จริง: การที่โมเดลเปิดถูกเลือกว่าดีกว่าในด้านความสอดคล้องกับภาพอ้างอิงและคุณภาพภาพโดยรวม เมื่อเทียบกับโมเดลระดับ Google ในงานศึกษาของห้องแล็บเอง ถือเป็นข้ออ้างที่มีอยู่จริงและควรค่าแก่การชั่งน้ำหนัก และผลลัพธ์ด้านเสียงคือจุดที่ Veo ยังคงรักษาความเป็นผู้นำไว้ไม่ว่าโหมดใด — ซึ่งนำเรามาสู่สัญญาณเตือนที่ไม่มีใครพูดถึง

แฟล็กเสียงที่ตัดสินว่าการประเมินนั้นยุติธรรมหรือไม่

Veo 3.1 สร้างเสียงสเตอริโอ 48 kHz แบบเนทีฟ ทั้งบทสนทนา เสียงบรรยากาศ และเสียงประกอบฉาก ไปพร้อมกับภาพ ถือเป็นหนึ่งในฟีเจอร์ที่แข็งแกร่งที่สุดของโมเดลนี้ แต่บน API พารามิเตอร์ audio กลับมีค่าเริ่มต้นเป็น off และการสร้างแบบไม่มีเสียงมีราคาต่ำกว่าการสร้างแบบมีเสียง คือประมาณ $0.20 ต่อวินาทีสำหรับแบบไม่มีเสียง เทียบกับประมาณ $0.40 ต่อวินาทีเมื่อเปิดเสียง ในระดับ Standard ที่ Google ประกาศไว้

Kandinsky 6.0 Video ไม่มีสวิตช์ดังกล่าว เสียงเป็นส่วนหนึ่งของเอาต์พุต และไปป์ไลน์การให้บริการที่รวมเข้ากับ vLLM-Omni จะส่งออก AAC 44.1 kHz โดยค่าเริ่มต้น ดังนั้นสองโมเดลนี้จึงไม่ได้เผชิญกับค่าเริ่มต้นเดียวกัน: โมเดลหนึ่งให้เสียงมาก่อน ส่วนอีกโมเดลหนึ่งให้ความเงียบมาก่อน โดยมีเสียงเป็นตัวเลือกอัปเกรด

ความไม่สมมาตรนั้นมีต้นทุนเฉพาะในการเปรียบเทียบ การเปรียบเทียบแบบตัวต่อตัวใดก็ตามที่จับ Veo 3.1 ที่ปิดเสียงไว้มาแข่งกับคู่แข่งที่มาพร้อมเสียงเสมอ แล้วให้คะแนนทั้งคู่บนบอร์ดที่คำนึงถึงเสียง ย่อมทำให้ Veo เสียเปรียบจากค่าเริ่มต้นโดยบังเอิญ เมื่อคุณอ่านตัวเลขของ Sber ข้างต้น — หรือของใครก็ตาม — คำถามแรกที่ควรถามคือ ฝั่ง Veo เปิดเสียงหรือไม่ คำถามที่สองคือส่วนต่างราคาเป็นเท่าใด เพราะในระดับ Standard การเปิดเสียงทำให้ราคาเป็นสองเท่า

ห้าวินาทีเทียบกับแปด และ 1080p เทียบกับ 4K แท้

ช่องว่างด้านรูปแบบคือจุดที่บรีฟการออกแบบของทั้งสองโมเดลปรากฏให้เห็น

• ความยาวคลิป — Kandinsky 6.0 Video: กำหนดตายตัวที่ 5 วินาที, 121 เฟรมที่ 24 fps, ขยายไม่ได้. Veo 3.1: แบบเนทีฟ 4, 6 หรือ 8 วินาที, ยาวขึ้นที่ 1080p, เชื่อมต่อขยายฉากได้เกินกว่านั้น

• ความละเอียด — Kandinsky 6.0 Video: SD, HD และ Full HD (1920×1080) ผ่านกระบวนการซูเปอร์รีโซลูชัน Veo 3.1: 720p, 1080p และ 4K แบบเนทีฟ

• แหล่งที่มา — Kandinsky 6.0 Video: ไม่มีการระบุในประกาศเปิดตัว Veo 3.1: มีข้อมูลเมตา SynthID และ C2PA บนเอาต์พุต

• อินพุตอ้างอิง — Kandinsky 6.0 Video: หนึ่งภาพ ใช้เป็นเฟรมท้ายแบบมาสก์ Veo 3.1: สูงสุดสามภาพอ้างอิง พร้อมซีดและพรอมป์ต์เชิงลบ

• รูปแบบ — Kandinsky 6.0 Video: 44.1 kHz AAC พร้อมภาพ เปิดใช้งานตลอดเวลา. Veo 3.1: 48 kHz สเตอริโอ, เป็นตัวเลือกเสริม, คิดราคาได้สองแบบ.

ประเด็นเรื่องแหล่งที่มาคือประเด็นที่ส่งผลต่อการจัดซื้อจัดจ้าง ถ้าสิ่งที่คุณส่งมอบต้องตรวจสอบย้อนกลับได้ — งานแบรนด์ งานออกอากาศ สิ่งใดก็ตามที่ทีมกฎหมายจะตรวจสอบ — Veo 3.1 จะแนบข้อมูลเมตาที่ระบุว่าฟุตเทจนั้นถูกสร้างขึ้น ส่วน Kandinsky 6.0 Video ไม่ทำเช่นนั้น นั่นไม่ใช่ความแตกต่างด้านคุณภาพ และไม่มีเบนช์มาร์กใดจะแสดงให้เห็นได้ แต่มันเป็นข้อกำหนดแบบที่ตัดสินเลือกผู้ขายได้ด้วยตัวมันเอง และโมเดลแบบเปิดที่ไม่มีสิ่งนี้ก็ไม่ใช่ตัวแทนที่ใช้แทนได้ทันทีแบบไม่ต้องปรับเปลี่ยนสำหรับทีมที่ต้องการมัน

ไลน์ 4K ก็สำคัญในแบบเดียวกัน และด้วยเหตุผลเดียวกัน Full HD ของ Kandinsky 6.0 Video มีอยู่จริง — มีโมเดล SR โดยเฉพาะ และแพ็กเกจ SR ของรีโพซิทอรีรองรับการอัปสเกลคลิปความยาว 5 วินาทีที่ x2, x4 และ x2.25 — แต่ขีดสูงสุดของมันไปหยุดอยู่ตรงจุดที่เส้นทางเนทีฟของ Veo 3.1 เริ่มต้น ณ ปลายบนของมัน สำหรับงานจอขนาดใหญ่ เพดานนั้นไม่ใช่เรื่องที่ต่อรองได้

ค่าใช้จ่ายของคลิปในแต่ละฝั่ง

Veo 3.1 คิดค่าบริการเป็นรายวินาที ที่ระดับ Standard คลิป 1080p ความยาวห้าวินาทีที่มีเสียงอยู่ที่ประมาณ $2.00 และคลิปเดียวกันแบบไม่มีเสียงอยู่ที่ประมาณ $1.00; Fast และ Lite อยู่ต่ำกว่านั้น และเนื่องจากคะแนน arena ของทั้งสองอยู่ในช่วงความเชื่อมั่นของ Standard จากหลักฐานที่มี จึงเป็นเรื่องยากที่จะโต้แย้งระดับที่ถูกกว่า

Kandinsky 6.0 Video ไม่มีใบแจ้งหนี้ สิ่งที่มีคือเวลา GPU ตัวเลขของรีโพซิทอรีสำหรับโมเดลแบบไม่กลั่น ซึ่งวัดหลังวอร์มアップโดยไม่รวมการโหลดเวตและการเข้ารหัส MP4 ระบุว่าคลิป Pro Full HD ความยาวห้าวินาทีใช้เวลาประมาณ 402 วินาทีบน H100, 854 วินาทีบน RTX 5090, 1,247 วินาทีบน RTX 4090 และ 3,530 วินาทีบน RTX 5060 Ti ส่วน Lite Full HD ใช้เวลา 284 วินาทีบน H100 การจัดสรรหน่วยความจำสูงสุดในการรัน Pro SD สูงถึง 72.8 GiB ดังนั้นอะไรก็ตามที่ต่ำกว่านั้นจำเป็นต้องใช้ block offloading และพรีเซ็ต 16 GB จะควอนไทซ์ text encoder ให้เป็น NF4 ซึ่งเป็นการเปลี่ยนแปลงพรีเซ็ตเพียงอย่างเดียวที่เปเปอร์ยืนยันว่าทำให้ตัวคลิปเองเปลี่ยนไป แทนที่จะเป็นเพียงการสร้างนอยซ์ในระดับการปัดเศษ

โครงสร้างต้นทุนสองแบบนั้นเทียบกันไม่ได้ แบบหนึ่งคือค่าใช้จ่ายที่คุณคาดการณ์ต่อวินาทีของผลงานที่เสร็จสมบูรณ์ ส่วนอีกแบบคือเครื่องที่คุณซื้อ การเรนเดอร์ที่ใช้เวลาวัดเป็นนาที และตัวเลือกในการปรับแต่งละเอียด — ซึ่ง Veo 3.1 ไม่มีให้ในแพ็กเกจใดเลย

คำถามเรื่อง tier ก็คือคำถามเรื่อง routing

OrcaRouter ไม่ได้ให้บริการทั้ง Google Veo 3.1 และ Kandinsky 6.0 Video และไม่ได้สื่อเป็นนัยถึงสิ่งเหล่านั้นที่นี่ — Veo 3.1 เข้าถึงได้ผ่านช่องทางของ Google เอง ส่วน Kandinsky คุณต้องดาวน์โหลดเอง แต่โครงสร้างของการตัดสินใจเรื่อง Veo นั้นควรค่าแก่การเอ่ยถึง เพราะมันคือปัญหาที่เลเยอร์การจัดเส้นทางของเราถูกสร้างขึ้นมาเพื่อแก้ในฝั่งข้อความ: สามระดับที่มีคะแนนอิสระแยกกันไม่ออกและมีราคาต่างกันถึงห้าเท่า เป็นกรณีที่ "จัดเส้นทางไปที่ตัวถูกแล้วยกระดับเฉพาะเมื่อไม่ผ่านเกณฑ์" เอาชนะ "กำหนดมาตรฐานบนตัวท็อป" ได้พอดี การจัดเส้นทางแบบปรับตัวและ routing DSL ของ OrcaRouter แสดงสิ่งนั้นออกมาเป็นนโยบายที่กำหนดค่าได้ครอบคลุมโมเดลข้อความกว่า 200 รุ่นบนปลายทางที่เข้ากันได้กับ OpenAI เพียงหนึ่งเดียว ในราคาตามที่ผู้ให้บริการประกาศไว้ โดยบวกเพิ่ม 0% พร้อมการสลับสำรองอัตโนมัติเมื่อเส้นทางใดล่ม สัญชาตญาณแบบเดียวกันเมื่อนำมาใช้กับงบประมาณด้านวิดีโอ — ใช้ Fast เป็นค่าเริ่มต้น ใช้ Standard สำหรับช็อตที่สำคัญ — คือการตัดสินใจจัดซื้อที่คุณทำได้ตั้งแต่วันนี้โดยไม่ต้องมีเราเตอร์เลย

อันไหน สำหรับใคร

เลือก Veo 3.1 หากชิ้นงานที่ส่งมอบจำเป็นต้องให้ความสำคัญกับเสียงอย่างจริงจัง หากต้องใช้ 4K หรือคลิปที่ยาวเกินห้าวินาที หรือหากปลายทางของผู้ใช้งานต้องมีข้อมูลเมตาแสดงที่มา จงเลือกระดับบริการอย่างตั้งใจแทนที่จะปล่อยให้เป็น Standard โดยปริยาย และเผื่องบสำหรับค่าแฟล็กเสียงไว้ล่วงหน้า แทนที่จะเพิ่งมารู้ตอนเห็นใบแจ้งหนี้

เลือก Kandinsky 6.0 Video ถ้าคุณต้องการเวตของโมเดล ถ้าห้าวินาทีเหมาะกับงานแต่ละชิ้นของคุณ และถ้างานคือความเที่ยงตรงของการแปลงภาพเป็นวิดีโอเมื่อเทียบกับภาพนิ่งที่ให้มา — มิติเดียวที่การศึกษาของแล็บเองจัดให้มันนำหน้าระดับหนึ่งของ Veo ด้วยส่วนต่างที่มีนัยสำคัญ โปรดรู้ไว้ก่อนใช้เลยว่าเสียงเปิดอยู่ตลอด ไม่มีข้อมูลที่มา และคำกล่าวอ้างเรื่องคุณภาพนั้นอาศัยรายงานที่ผู้เขียนรายงานฉบับนั้นเขียนขึ้นเองทั้งหมด

ความไม่สมมาตรที่ต้องยึดไว้คือ Veo 3.1 อยู่ในโปรดักชันมาสิบเอ็ดเดือนแล้ว และจึงสะสมสิ่งที่โมเดลเปิดที่เปิดตัวเดือนนี้ทำไม่ได้: ชุดโหมดความล้มเหลวที่ถูกแมปไว้ซึ่งผู้ใช้ของมันได้เผยแพร่แล้ว และเส้นโค้งราคาที่ทีมการเงินสามารถจำลองได้ ในทางกลับกัน ใบอนุญาต MIT ของ Kandinsky หมายความว่าโมเดลในดิสก์ของคุณไม่ขึ้นอยู่กับโรดแมปของใคร การที่สิ่งใดในนั้นมีค่ามากกว่านั้นไม่ใช่คำถามแบบ benchmark