Kandinsky: нейросеть Сбера для картинок и видео

В ГигаЧате можно бесплатно и без ограничения числа генераций нарисовать картинку, отреставрировать старое фото или переодеть человека на снимке. Поставить результат в рекламу на тех же условиях нельзя: пользовательское соглашение разрешает бесплатный сервис только для личных некоммерческих целей. Kandinsky, нейросеть Сбера для картинок и видео, доступен в трёх формах, и правила у каждой свои.

Для обычного пользователя это генератор, который понимает запросы на русском, ориентируется в российском контексте, пишет на изображениях кириллицей и умеет превращать картинку в короткий ролик. Для бизнеса важнее другое: через какой вход работать с моделью и на каких условиях использовать результат.

Поколения модели сменяются регулярно, поэтому номер версии здесь вторичен. Полезнее понимать, какие задачи Kandinsky закрывает, где его пределы и как не нарушить условия.

Kandinsky нейросеть: что умеет с картинками

Базовая функция: изображение по текстовому описанию на русском или английском. По данным Сбера, модели линейки уверенно ориентируются в российском культурном контексте и создают текст на кириллице и латинице. Для локального контента это удобно: не нужно переводить запрос и объяснять модели, как выглядит привычная вам реальность.

Вторая часть возможностей касается редактирования. Флагманская модель для изображений в ГигаЧате одним текстовым запросом добавляет объект в кадр или убирает лишнее, накладывает фильтр, совмещает элементы из разных изображений. Из отдельных режимов:

• реставрация старых и повреждённых снимков: модель возвращает чёткость выцветшим и поцарапанным фото;
• смена одежды и локации;
• ретушь и макияж;
• стилизация под аниме, комикс или мультфильм;
• нейрофотосессия: серия новых кадров по одной фотографии с другим фоном, одеждой или локацией.

По заявлению Сбера, модель аккуратнее делает точечные правки: если попросить поменять причёску или добавить очки, всё остальное остаётся нетронутым. На лицах это стоит проверять самостоятельно, особенно после нескольких правок подряд. Ещё одна особенность: если модель не знает, как выглядит объект из запроса, например новый персонаж, она ищет визуальный референс через встроенный поиск по изображениям.

Сбер также отмечает, что выросла детализация сложных сцен: интерьеров, сервировки стола, кадров с большим числом людей, а текст на изображениях генерируется корректнее. Сложные сцены при этом остаются местом, где ошибки заметнее всего, так что проверяйте их внимательнее остальных.

Видео: короткие ролики по тексту и по кадру

За видео отвечает Kandinsky Video. Ролик можно получить по текстовому описанию или по стартовому кадру, а в ГигаЧате модель анимирует уже готовые картинки. Удобная связка: сначала нарисовать или отредактировать изображение, затем оживить его. Для оживления выбирайте кадр с понятным главным объектом и местом для движения, а в запросе описывайте одно действие и поведение камеры: «девушка поворачивает голову к окну, камера медленно приближается».

Для рабочих задач учитывайте две вещи. Ролики короткие: это сцены для монтажа, а не готовое видео. И условия ГигаЧата оставляют за Сбером право вводить лимиты на отдельные функции без предупреждения, так что строить регулярный выпуск видео на бесплатном режиме рискованно.

У открытых видеомоделей семейства Kandinsky 5.0 есть лёгкая версия на 2 млрд параметров и старшая на 19 млрд параметров для HD-роликов. По тексту они генерируют ролики длиной до 10 секунд, есть и режим оживления изображения. Как нейросети собирают видео и где их пределы, рассказано в статье о генерации видео нейросетью.

Где пользоваться: три входа

В API генерация картинок встроена в чат-модель: если в запросе разрешён вызов функций, GigaChat сам решает, когда обратиться к встроенной функции text2image, и возвращает изображение в формате JPG. Это удобно, если картинки нужны внутри вашего бота или сервиса.

Выбор входа сводится к трём вопросам. Картинки нужны для себя и в небольшом количестве: ГигаЧат. Генерация встроена в продукт, например в бота или сайт: API с платным пакетом. Объёмы большие, данные закрытые или нужен свой стиль: открытые модели на собственном железе. Какие ещё модели есть в экосистеме и как устроены тарифы, разобрано в материале о GigaChat для бизнеса.

Как писать запросы, чтобы не переделывать

Kandinsky понимает обычный русский язык, но качество результата зависит от полноты описания. Рабочая структура запроса на генерацию:

1. Объект: кто или что в кадре, с деталями. Не «кофе», а «чашка капучино с рисунком сердца на пенке».
2. Окружение: где происходит действие, что на фоне.
3. Стиль: фотография, акварель, 3D, плоская иллюстрация.
4. Свет и настроение: утренний свет из окна, неон, пасмурный день.
5. Композиция и формат: крупный план, вид сверху, горизонтальный кадр.
6. Текст на картинке: короткая точная фраза. Длинные надписи надёжнее добавлять в редакторе.

Для редактирования меньше слов и больше точности: что поменять и что оставить. «Замени фон на летний парк, человека, позу и одежду не меняй» работает надёжнее, чем «сделай фото летним». Для серии картинок в одном стиле зафиксируйте блок стиля, света и композиции и меняйте только объект: так иллюстрации к постам или карточкам будут выглядеть как один комплект. Если хотите сравнить подход Сбера с яндексовским, посмотрите наш разбор Шедеврума.

Бесплатно, но не для рекламы: что в соглашении

В анонсе Kandinsky Сбер предлагает сценарии для маркетинга, недвижимости и электронной коммерции: рекламные макеты, визуализацию отделки, карточки товаров. При этом пользовательское соглашение ГигаЧата предоставляет бесплатный сервис для личного некоммерческого использования, а коммерческое использование допускает на платной основе по отдельному соглашению с банком или партнёром. Прежде чем ставить картинку в рекламу или на маркетплейс, выберите законный вход.

Ещё несколько условий, которые легко пропустить:

• распространяя результат, нужно указывать своё имя и то, что при создании использовался сервис;
• банк получает безвозмездную неисключительную лицензию на сгенерированный контент, в том числе на публичный показ в целях продвижения и рекламы;
• загружать контент с персональными данными, своими или чужими, соглашение запрещает;
• генерации могут совпадать с результатами других пользователей, и соглашение об этом предупреждает.

Открытые модели: когда поднимать у себя

Модели семейства Kandinsky 5.0 опубликованы в открытом доступе: код на GitHub, веса на Hugging Face, лицензия MIT. В линейке модель для картинок, модель для редактирования и две видеомодели. Лёгкую видеомодель, по данным разработчиков, можно запустить на видеокарте с 12 ГБ памяти с оптимизациями. Замеры скорости в репозитории сделаны на серверной карте с 80 ГБ памяти, и для старших моделей стоит ориентироваться на такой класс железа. Лёгкая видеомодель поддерживается в diffusers и ComfyUI, для дообучения под свой стиль есть упрощённый инструмент обучения LoRA.

Свой контур окупается, когда:

• картинок и роликов нужны тысячи в месяц, и аренда GPU выходит дешевле платных пакетов;
• исходники нельзя отправлять во внешний сервис;
• нужен фирменный стиль или персонаж, которого модель без дообучения не знает.

Если ничего из этого не про вас, ассистент или API проще и дешевле в поддержке: не нужно следить за железом, обновлениями и очередями задач. И помните, что лицензия MIT снимает вопрос о правах на саму модель, но не на то, что вы с её помощью создаёте: товарные знаки, узнаваемые лица и чужие исходники остаются вашей ответственностью.

С чего начать

1. Проверьте задачу в ГигаЧате бесплатно: десяток генераций и правок покажет, подходит ли вам стиль модели.
2. Если результат нужен для бизнеса, выберите законный вход: платное соглашение, пакет GigaChat API или собственный контур на открытых моделях.
3. Соберите шаблоны запросов под типовые задачи и библиотеку удачных результатов.
4. Настройте проверку перед публикацией: лица, текст на изображениях, соответствие бренду.

Когда визуал нужен каждую неделю для сайта, карточек и соцсетей, разовые генерации превращаются в производство. Настроить такой поток на Kandinsky или других моделях, от шаблонов до контроля качества, помогает команда контент-заводов Neurounit, если нет желания разбираться самостоятельно.