Kandinsky 6.0 Video vs Hailuo 2.3: Bảng giá đối đầu với bản tải xuống

Bắt đầu bằng phép toán, vì đó là điểm duy nhất mà hai thứ này trùng nhau. Một clip 1080p im lặng dài sáu giây từ Hailuo 2.3, mẫu video tiết kiệm chi phí từ tháng 4 năm 2026, niêm yết ở mức vài xu mỗi giây — khoảng $0.48 cho clip. Một clip năm giây với âm thanh 44 kHz được đồng bộ và khớp khẩu hình từ Kandinsky 6.0 Video, được Kandinsky Lab của Sber mở mã nguồn theo MIT trong tuần đầu tiên của tháng 10 năm 2026, không tốn phí cho mỗi clip và cần khoảng bảy phút thời gian H100 ở Full HD. Đó là toàn bộ cuộc so tài trong hai câu, và quyết định mà nó ngụ ý không phải là "cái nào tốt hơn" — mà là bạn muốn chạy loại đồng hồ tính nào hơn: hóa đơn tính theo giây, hay phần cứng của chính bạn.

Mọi thứ khác đều xuất phát từ sự phân tách đó, và hầu hết các trang so sánh đều hiểu ngược lại khi coi chúng là cùng một loại sản phẩm ở những mức giá khác nhau. Chúng không phải vậy. Hailuo 2.3 là một dịch vụ có bản brief của stylist và không có âm thanh; Kandinsky 6.0 Video là một họ checkpoint hai kích cỡ — Pro ở 29B và Lite ở 3B — với âm thanh là đặc trưng kiến trúc trung tâm của nó.

Bản rẻ tiền thực sự làm tốt điều gì

Danh tiếng của Hailuo 2.3 là xứng đáng và rất cụ thể. Nó xử lý tốt chuyển động máy quay điện ảnh, chuyển động của con người và vi biểu cảm, đồng thời ở nội dung cách điệu và anime, nó mạnh hơn mức giá của mình. Nó tạo video từ văn bản và video từ hình ảnh lên tới 1080p. MiniMax không quảng bá nó như một mô hình tả thực và nó cũng không phải như vậy — nó là một stylist có con mắt tinh tường với chuyển động.

Các giới hạn của nó cũng cụ thể không kém, và chúng chính là lý do khiến sự so sánh này ngắn gọn.

• Không có âm thanh gốc. Hailuo 2.3 xuất ra không có âm thanh, và thế hệ Hailuo trước đó từng có âm thanh thì không được kế thừa sang. Mọi clip đều cần được thêm âm thanh ở khâu sau.

• Giới hạn clip là sáu giây ở 1080p, mười giây ở 768p, không có điều khiển khung kết thúc — nên các clip không nối liền mạch thành một chuỗi.

• Không nằm trong các bảng xếp hạng độc lập hiện tại. Hailuo 2.3 không xuất hiện trên bảng xếp hạng văn bản-thành-video, hình ảnh-thành-video hoặc chỉnh sửa video của Artificial Analysis như chúng hiển thị ở thời điểm hiện tại, vì vậy không có Elo công khai để so sánh với bất kỳ thứ gì. Các tham chiếu cũ về việc nó xếp quanh khoảng cuối hai mươi trên một đấu trường video không khớp với các bảng hiện đang được công bố, và nên được coi là một ảnh chụp nhanh đã lỗi thời thay vì một vị trí hiện tại.

Giá được báo bằng hai loại tiền tệ bởi hai bên khác nhau và cả hai đều đáng để biết. API của chính MiniMax bán các gói điểm trả trước, trong đó một clip chuẩn 768p dài sáu giây tiêu tốn một điểm và clip 768p dài mười giây hoặc 1080p dài sáu giây tiêu tốn hai điểm — với biến thể Hailuo-2.3-Fast nhanh hơn cắt giảm những mức đó xuống còn khoảng 0,7 và 1,1 đến 1,3 điểm. Các công cụ theo dõi của bên thứ ba liệt kê mức giá phẳng hơn trong khoảng 0,067 đến 0,082 USD mỗi giây, một trong số đó ở mức 0,0817 USD/giây và dẫn "tối đa 1080p, tối đa 10 giây mỗi clip, đầu ra không tiếng" và khoảng 147 USD một tháng cho ba trăm clip sáu giây. Dù bạn chọn con đường nào, độ lớn vẫn như nhau và đây là mức tạo rẻ nhất trong danh mục này.

Vấn đề khi mua một thế hệ đã bị thay thế

Có một sự thật về vòng đời của Hailuo 2.3 quan trọng hơn bất kỳ thông số kỹ thuật nào, và đó không phải là lời chỉ trích dành cho mô hình. MiniMax đã bước tiếp. Sản phẩm kế nhiệm của nó, MiniMax H3 — thế hệ Hailuo 3 — được phát hành vào ngày 31 tháng 7 năm 2026 và thuộc một đẳng cấp sản phẩm khác: một mô hình đa phương thức toàn diện, đọc các tham chiếu văn bản, hình ảnh, video và âm thanh như một ngữ cảnh duy nhất, tạo ra các clip dài từ bốn đến mười lăm giây ở 768p hoặc 2K với âm thanh stereo gốc, tính phí theo mỗi giây đầu ra.

Đó không phải là tuyên bố của nhà cung cấp. Nó có trên các bảng độc lập, và vị trí đặt rất mạnh:

• Văn bản thành video — MiniMax H3 (768p) đứng thứ 4 với Elo 1.137 (±9) qua 8.315 phiếu bầu, ở mức 4,80 USD/phút.

• Hình ảnh sang video — MiniMax H3 đứng thứ 2 ở Elo 1.181 (±8) với hơn 7.284 phiếu bầu, ở mức 7,80 USD/phút.

• Chỉnh sửa video — MiniMax H3 đứng thứ 2 với Elo 1.132 (±6) qua 12.043 phiếu bầu, ở mức 7,80 USD/phút.

Vậy nên cách diễn đạt trung thực về việc mua Hailuo 2.3 vào tháng 10 năm 2026 là thế này: bạn đang mua phân khúc ngân sách của một dòng sản phẩm mà thế hệ flagship của nó nằm trong top năm ở cả hai chế độ tạo, có âm thanh mà 2.3 thiếu, và tốn có lẽ gấp năm đến mười lần mỗi giây. Đó là một quyết định có thể biện minh được cho công việc tạo kiểu khối lượng lớn — đó chính xác là mục đích của một phân khúc ngân sách — nhưng nó nên là một lựa chọn có chủ đích, không phải mặc định. Bất kỳ ai đánh giá 2.3 hôm nay trước tiên nên định giá H3 bên cạnh nó, vì khoảng cách giữa chúng không phải là kiểu cải tiến dần dần.

Năm giây so với sáu giây, và vì sao khác biệt ấy nhỏ hơn vẻ ngoài.

Về độ dài, Kandinsky 6.0 Video không chiếm ưu thế. Nó được huấn luyện ở 121 khung hình và 24 fps — năm giây — và bản phát hành không có chế độ kéo dài. Hailuo 2.3 cho bạn sáu giây ở 1080p. Cả hai đều không đủ cho một cảnh liên tục, và cả hai đều đồng nghĩa một tác phẩm dài ba mươi giây là năm hoặc sáu lần tạo cùng các mối nối.

Những khoảng trống đáng quan tâm nằm ở nơi khác.

• Âm thanh — Kandinsky 6.0 Video: 44 kHz với đồng bộ khẩu hình, được tạo ra cùng với hình ảnh, luôn bật. Hailuo 2.3: không có, theo thiết kế.

• Độ phân giải — Kandinsky 6.0 Video: SD, HD và Full HD thông qua một mô hình siêu phân giải chuyên dụng, nâng cấp x2, x4 hoặc x2.25 cho các clip dài năm giây. Hailuo 2.3: lên đến 1080p, không có giai đoạn SR.

• Điều kiện — Kandinsky 6.0 Video: văn bản thành video có âm thanh và hình ảnh thành video có âm thanh, một ảnh tham chiếu được áp dụng làm khung đuôi được mặt nạ. Hailuo 2.3: văn bản thành video và hình ảnh thành video, không có điều khiển khung kết thúc.

• Trọng số — Kandinsky 6.0 Video: MIT, Pro và Lite, với tích hợp diffusers và — kể từ sáng nay — một pipeline phục vụ vLLM-Omni. Hailuo 2.3: chưa phát hành.

• Giá cả — Hailuo 2.3: tính theo mỗi giây đầu ra, hoặc dùng điểm trừ vào gói trả trước, với một biến thể Fast rẻ hơn. Kandinsky 6.0 Video: không có mức phí nào cả; bạn tự cung cấp GPU.

Bằng chứng của chính nhà cung cấp nói lên điều gì, và điều nó không thể nói

Hồ sơ chất lượng của Kandinsky 6.0 Video chưa được kiểm toán và nên được mô tả như vậy. Sber báo cáo kết quả VABench, trong đó Pro dẫn đầu về chất lượng giọng nói, thẩm mỹ âm thanh, căn chỉnh văn bản-video và âm thanh-video, độ chính xác khớp khẩu hình, mất đồng bộ và độ chân thực thị giác trong số ba hệ thống được đánh giá — mô hình Lite của chính mình và LTX 2.5. Sber cũng báo cáo một đánh giá con người song song do phòng thí nghiệm thực hiện, với khoảng 200 hoặc hơn các so sánh theo cặp cho mỗi tiêu chí, trong đó mô hình này cạnh tranh được với Kling 2.6 và Veo 3.1 Fast, xếp sau MiniMax H3 và Dreamina Seedance 2.0 ở các tiêu chí thị giác, và vẫn cạnh tranh ở chất lượng giọng nói và đồng bộ âm thanh-video. Không có Elo công khai mù và không có tái lập bên ngoài.

Bằng chứng của Hailuo 2.3 lại có hình dạng ngược lại: được sử dụng rộng rãi, có giá công khai, nhưng hiện vắng mặt trên các bảng xếp hạng video độc lập, nên nó cũng không thể được đặt so với một nhóm hiện hành nào. Cả hai mô hình đều không có thứ mà người mua muốn nhất — và trong trường hợp của Hailuo, chính mô hình kế nhiệm của nó thì có. Đó là sự bất đối xứng đáng gọi tên: dòng mô hình của một bên đã được chấm điểm và xếp hạng, còn dòng của bên kia thì chưa được chấm điểm chút nào.

Vậy thì cái còn lại chính là sự chia tách về âm thanh, và đây là một sự chia tách thực sự chứ không phải một ranh giới kiểu danh sách tính năng. Việc Hailuo 2.3 im lặng làm đơn giản hóa một thứ — không có nhạc nền nào cần giữ lại khi bạn đưa một clip qua công đoạn hậu kỳ master — và làm phức tạp thêm một thứ khác: mọi video người nói, mọi quảng cáo sản phẩm có lồng tiếng, mọi clip mà một hiệu ứng âm thanh phải khớp vào một hành động, nay đều trở thành hai lần sinh kèm thêm một bước căn chỉnh do bạn tự lo. Toàn bộ kiến trúc của Kandinsky 6.0 Video nhắm thẳng vào vấn đề đó: một CrossDiT luồng kép ghép một luồng video với một luồng âm thanh xây dựng từ đầu dưới cơ chế cross-attention hai chiều, cùng một giai đoạn học tăng cường mà bài báo cho biết giúp giảm 47% tỷ lệ lỗi từ của giọng nói được sinh ra — đo bằng Whisper-large-v3, một trong các mô hình thưởng của RL, và không thể so sánh với tỷ lệ lỗi từ của Qwen3-ASR-1.7B riêng biệt mà bài báo cũng báo cáo song song với VABench.

Bộ định tuyến phù hợp ở đâu và không phù hợp ở đâu

OrcaRouter không cung cấp Kandinsky 6.0 Video hay Hailuo 2.3, và ở đây cũng không đưa ra tuyên bố nào như vậy — Kandinsky thì bạn tự tải về và chạy, còn Hailuo 2.3 được truy cập qua API và hệ thống điểm của chính MiniMax. Điều mà một pipeline xây dựng trên một trong hai mô hình này cần ở một router là phần văn bản xung quanh bản render: danh sách cảnh quay, phần mở rộng prompt để biến một bản brief thành caption dài hoặc ngắn mà các mô hình này được huấn luyện trên đó, phần xử lý caption và hội thoại, và các bản tóm tắt đánh giá để quyết định giữ lại bản tạo nào. Đó là những lệnh gọi văn bản thông thường, và chúng chạy trên một endpoint tương thích OpenAI xuyên suốt hơn 200 mô hình theo giá niêm yết của nhà cung cấp với mức markup 0%, nên khi nhà cung cấp thay đổi giá thì mức giá đó có hiệu lực trên cùng một API key ngay trong ngày nó được áp dụng, với cơ chế tự động chuyển đổi dự phòng để một lệnh gọi thất bại giữa chừng khi render sẽ được định tuyến lại thay vì làm mất cả batch. Lớp điều phối xung quanh một mô hình video là một bài toán định tuyến ngay cả khi bản thân mô hình video không thể định tuyến — tình huống của cả hai mô hình này hiện nay.

Chọn cái nào?

Chọn Hailuo 2.3 khi công việc cần khối lượng lớn, thẩm mỹ mang tính cách điệu hoặc hoạt hình, sản phẩm bàn giao là bản không tiếng, và chỉ số tính theo mỗi clip là ràng buộc quan trọng. Đây là mô hình tạo sinh đủ năng lực rẻ nhất trong phân khúc và giá của nó cũng tương xứng. Hãy so giá MiniMax H3 bên cạnh nó trước khi bạn chốt, vì thế hệ flagship cùng dòng được xếp hạng top 5 ở cả hai chế độ và có âm thanh mà 2.3 chưa từng có.

Chọn Kandinsky 6.0 Video khi sản phẩm bàn giao cần âm thanh, khi các đơn vị năm giây phù hợp với danh sách cảnh quay của bạn, khi yêu cầu là độ trung thực image-to-video đối với một ảnh tĩnh được cung cấp, và khi việc sở hữu model quan trọng hơn việc thuê nó. Hãy bắt đầu với các chi phí được nêu rõ ràng: không có đơn giá, giới hạn trần năm giây, bản render Full HD chạy khoảng 402 giây trên H100 và 854 giây trên RTX 5090 đối với model Pro, cần offload theo block khi dưới 72,8 GiB cấp phát đỉnh, và một tuyên bố chất lượng hoàn toàn thuộc về riêng Sber cho đến khi có người bên ngoài phòng thí nghiệm chấm điểm nó.

Câu hỏi bên dưới hai bảng giá chính là câu hỏi định đoạt phần lớn hạ tầng video trong quý này. Hailuo 2.3 thu phí theo từng giây và giao cho bạn một tệp; Kandinsky 6.0 Video thu của bạn một GPU và giao cho bạn một giấy phép. Đối với một nhóm tạo ra một trăm clip mỗi tháng, hóa đơn thắng trên mọi trục mà một bảng tính đo được. Đối với một nhóm dự định tinh chỉnh, chạy ngoại tuyến, hoặc vẫn đang dùng cùng một mô hình sau khi thế hệ tiếp theo ra mắt, bản tải xuống thắng trên trục duy nhất mà một bảng tính không thể thấy.