Wie verwende ich Kandinsky 6.0 Pro? In 5 Minuten zum ersten Video

TL;DR

• Was ist es: Ein Videomodell von Sber, das aus einem Prompt oder einem Startbild einen 5-sekündigen Clip mit synchronem Audio erzeugt. Es ist auf HiAPI verfügbar; öffne die Kandinsky 6.0 Pro Modellseite, gib einen Prompt ein und generiere direkt. Neue Nutzer erhalten bei der Registrierung 200 Credits.
• Was kostet es: Abrechnung pro Stück, Text-zu-Video $1,9286 pro Video (ca. 3.857 Credits), Bild-zu-Video $2,00 pro Video (4.000 Credits). Fehlgeschlagene Aufgaben werden zurückerstattet.
• Wie rufe ich es am schnellsten auf: POST https://api.hiapi.ai/v1/tasks, model auf kandinsky-6.0-pro/text-to-video setzen, nach Erhalt der taskId pollen oder auf den Callback warten und die MP4 von data.output[0].url herunterladen.

Die zwei häufigsten Fragen seit dem Launch: Worin unterscheidet es sich von anderen Videomodellen, und wie viele Schritte braucht die Integration in das eigene Produkt. Ersteres beantworten die folgenden vier Punkte, Letzteres dauert 5 Minuten.

Was ist Kandinsky 6.0 Pro? Was ist neu

Die größte Veränderung: Bild und Ton werden gemeinsam erzeugt. Wenn du den Ton mit in den Prompt schreibst, folgen Radgeräusche, Regen und Stimmen im fertigen Clip dem Bild – keine separate Vertonung mehr nötig.

• Synchrones Audio. Kandinsky 5.x lieferte nur Bild; diese Generation ergänzt eine Tonspur, sodass eine Aufgabe direkt eine MP4 mit synchroner Tonspur liefert.
• Fest 5 Sekunden, 480p, 24fps. Dauer und Auflösung sind nicht wählbar; 16:9 gibt tatsächlich 864×480 aus – genau die Größe für Storyboards und Materialtests bei Kurzvideos.
• Fünf Seitenverhältnisse. Text-zu-Video unterstützt 16:9, 9:16, 1:1, 4:3, 3:4 und deckt damit Hochformat, Quadrat und Querformat auf einmal ab; Bild-zu-Video hat zusätzlich auto, das automatisch zum Startbild passt.
• Zwei Modell-IDs mit klarer Aufgabenteilung. kandinsky-6.0-pro/text-to-video startet aus Text, kandinsky-6.0-pro/image-to-video nutzt ein Bild als Startframe, und der Prompt beschreibt nur, was als Nächstes passiert.

▶ Sieh dir diesen 5-Sekunden-Clip an: Ein Nachtzug überquert eine steinerne Bogenbrücke, Dampf zieht ins Tal

Text-zu-Video, 16:9, 864×480, 24fps, Ton und Bild aus derselben Aufgabe erzeugt.

Mit diesem Prompt generieren →

Zwei Einstiegswege: online testen oder API anbinden

Online testen (1 Minute)

1. Öffne die Kandinsky 6.0 Pro Modellseite; der Prompt wird über den obigen Link automatisch übernommen.
2. Seitenverhältnis bestätigen: 16:9 für Querformat, 9:16 für Hochformat.
3. Auf Generieren klicken; nach Abschluss kannst du das Video auf der Seite abspielen und herunterladen.

API-Integration (3 Schritte)

1. Erstelle einen API Key in der Konsole.
2. Mit POST /v1/tasks einreichen; die beiden Felder model und input.prompt genügen.
3. Mit GET /v1/tasks/{taskId} pollen oder beim Einreichen callback mitgeben; sobald status zu success wird, data.output[0].url abrufen.

Erstes Video: curl-Version

curl -s -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kandinsky-6.0-pro/text-to-video",
    "input": {
      "prompt": "A night train crosses a tall stone viaduct under a full moon, a plume of steam trailing into the valley, the camera cranes up from the river below, rhythmic wheels on the rails and a distant whistle",
      "aspect_ratio": "16:9",
      "guidance_scale": 5
    }
  }'

Die Antwort ist eine Aufgabe, kein Video:

{"code":200,"data":{"taskId":"tk-hiapi-..."},"message":"success"}

Mit dieser ID den Status abfragen:

curl -s https://api.hiapi.ai/v1/tasks/YOUR_TASK_ID \
  -H "Authorization: Bearer sk-YOUR_KEY"

Während die Aufgabe läuft, ist data.status gleich handling; nach Erfolg enthält data.output[0].url die MP4-Adresse. Wird aspect_ratio nicht übergeben, gilt standardmäßig 16:9; guidance_scale reicht von 1–10, Standard ist 5 – höhere Werte halten sich stärker an den Prompt. Was du nicht willst, schreibst du in negative_prompt, max. 2.000 Zeichen. seed nimmt eine Ganzzahl entgegen, um dasselbe Ergebnis möglichst zu reproduzieren.

Python-Version: Einreichen, Pollen und Herunterladen in einem Durchgang

import os, time, requests

BASE = "https://api.hiapi.ai"
H = {"Authorization": f"Bearer {os.environ['HIAPI_KEY']}"}
PROMPT = "A night train crosses a tall stone viaduct under a full moon, a plume of steam trailing into the valley, the camera cranes up from the river below, rhythmic wheels on the rails and a distant whistle"

r = requests.post(f"{BASE}/v1/tasks", headers=H, json={
    "model": "kandinsky-6.0-pro/text-to-video",
    "input": {"prompt": PROMPT, "aspect_ratio": "16:9"},
}, timeout=30)
r.raise_for_status()
task_id = r.json()["data"]["taskId"]
print("先存下这个 ID:", task_id)

while True:
    d = requests.get(f"{BASE}/v1/tasks/{task_id}", headers=H, timeout=20).json()["data"]
    if d["status"] == "success":
        break
    if d["status"] != "handling":
        raise RuntimeError(f"任务失败: {d}")
    time.sleep(15)

open("clip.mp4", "wb").write(requests.get(d["output"][0]["url"], timeout=120).content)

Das Polling-Intervall von 15 Sekunden ist sinnvoll: Videoaufgaben laufen asynchron; häufigeres Abfragen erzeugt nur mehr API-Aufrufe, der Status ändert sich dadurch nicht schneller.

Bild-zu-Video: Andere Modell-ID, plus ein Startframe

curl -s -X POST https://api.hiapi.ai/v1/tasks \
  -H "Authorization: Bearer sk-YOUR_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kandinsky-6.0-pro/image-to-video",
    "input": {
      "prompt": "Rain intensifies on the empty street, neon reflections ripple in the puddles, steam rises from a grate beside the booth, the camera slowly pushes in, steady rain and distant traffic",
      "image_url": "https://static.hiapi.ai/admin-assets/kandinsky-6-pro/2026/10/26/1793005005686-69a9b6e8a000188b-k-i2v-input.png",
      "aspect_ratio": "auto"
    }
  }'

image_url ist das erforderliche Startframe und unterstützt JPG, PNG und WebP. aspect_ratio ist standardmäßig auto, wählt das nächstliegende Seitenverhältnis zum Startframe und beschneidet mittig; du kannst aber auch explizit 16:9, 9:16, 1:1, 4:3 oder 3:4 angeben, um neu zu komponieren. Sieh dir diesen Bild-zu-Video-Clip an →

Wie schreibe ich den Prompt: Szene, Aktion, Kamera, Ton

Vier Ebenen klar beschreiben – genau so viel Information passt in 5 Sekunden:

• Szene: Ort, Zeit, Licht, Wetter – A night train crosses a tall stone viaduct under a full moon
• Aktion: Was macht das Motiv, wie schnell – a plume of steam trailing into the valley
• Kamera: Position und Bewegung – the camera cranes up from the river below
• Ton: Was du hören willst; diese Tonspur entsteht aus derselben Quelle wie das Bild – rhythmic wheels on the rails and a distant whistle

Am häufigsten vergessen wird der Ton. Wenn du nur das Bild beschreibst, muss das Modell den Ton raten; schreibst du Regen, Schritte und entfernten Verkehr hinein, passen Ton und Bild zusammen. Prompts am besten auf Englisch schreiben; übersetze chinesische Ideen zuerst ins Englische und reiche sie dann ein. Max. 6.000 Zeichen pro Prompt.

Diese 4 Punkte vor dem Go-live beachten

1. Serverseitig callback verwenden. Im Request-Body "callback": {"url": "https://yourapp.com/webhook"} ergänzen; die Aufgabe benachrichtigt automatisch bei Abschluss, Polling dient nur als Fallback. Bei Polling-Timeout nicht erneut POSTen, sondern zuerst die taskId speichern und dann erneut abfragen – jede Einreichung ist eine neue Aufgabe und wird neu berechnet.
2. Produktlinks laufen ab. Die URL in der Erfolgsantwort enthält expireAt; lade sie sofort in deinen eigenen Speicher herunter und verwende sie nicht als dauerhafte Adresse in deiner Geschäftsdatenbank.
3. Prompt-Sprache. Englisch und Russisch werden nativ unterstützt; übersetze chinesische Prompts zuerst ins Englische, dann sind Bildtreue und Soundgenauigkeit stabiler.
4. aspect_ratio=auto bei Bild-zu-Video beschneidet. Wenn du die Komposition des Startframes vollständig erhalten willst, gib explizit dasselbe Seitenverhältnis wie beim Startframe an; wenn du dich an das Format der Plattform anpassen willst, ist auto am einfachsten.

Alle Felder findest du in der chinesischen Dokumentation.

Häufige Fragen

Wie lauten die Modell-IDs von Kandinsky 6.0 Pro? Text-zu-Video kandinsky-6.0-pro/text-to-video, Bild-zu-Video kandinsky-6.0-pro/image-to-video, jeweils im Feld model bei POST /v1/tasks.

Kann ich Dauer oder Auflösung wählen? Nein, die Ausgabe ist fest 5 Sekunden, 480p, 24fps. Für 720p oder höher wechsle zu den Text-zu-Video-Angeboten von Kling 3.0 oder Seedance 2.0.

Hat der fertige Clip Ton? Ja, und er ist immer aktiviert. Der Ton wird aus demselben Prompt erzeugt; was du hören willst, schreibst du in den Prompt.

Welche Seitenverhältnisse werden unterstützt? Text-zu-Video: 16:9, 9:16, 1:1, 4:3, 3:4; Bild-zu-Video hat zusätzlich auto, das standardmäßig das nächstliegende Verhältnis zum Startframe wählt.

Wie viele Videos pro Aufruf? Eine Aufgabe ergibt ein 5-Sekunden-Video, abgerechnet pro Stück; fehlgeschlagene Aufgaben werden zurückerstattet. Für mehrere Videos mehrere Aufgaben parallel erstellen.

Kopiere den oben genannten Nachtzug-Prompt und generiere auf der Modellseite dein erstes 5-Sekunden-Video; wähle 16:9, der Ton steht bereits im Prompt.