¿Cómo usar Kandinsky 6.0 Pro? Genera tu primer vídeo en 5 minutos

TL;DR

• Qué es: un modelo de vídeo de Sber que, con una sola indicación o una imagen de primer fotograma, genera un corto de 5 segundos con audio sincronizado. Ya está disponible en HiAPI; abre la página del modelo Kandinsky 6.0 Pro, introduce una indicación y genera directamente. Los nuevos usuarios reciben 200 créditos al registrarse.
• Cuánto cuesta: facturación por pieza, texto a vídeo $1.9286 por vídeo (unos 3,857 créditos), imagen a vídeo $2.00 por vídeo (4,000 créditos); las tareas fallidas reembolsan la retención previa.
• Cómo llamarlo lo más rápido: POST https://api.hiapi.ai/v1/tasks, escribe kandinsky-6.0-pro/text-to-video en model, y tras obtener el taskId consulta por sondeo o espera el callback y descarga el MP4 desde data.output[0].url.

Las dos preguntas más frecuentes desde el lanzamiento: en qué se diferencia de otros modelos de vídeo e cuántos pasos requiere integrarlo en tu propio producto. Lo primero se responde con los cuatro puntos siguientes; lo segundo, en 5 minutos.

¿Qué es Kandinsky 6.0 Pro? ¿Qué hay de nuevo?

Su mayor cambio es que genera imagen y sonido a la vez. Al escribir la indicación incluye también el sonido, y en el vídeo final el ruido de las ruedas, la lluvia o las voces acompañan a la imagen, sin necesidad de doblaje aparte.

• Audio sincronizado. Kandinsky 5.x solo producía imagen; esta generación añade pista de sonido y en una sola tarea obtienes un MP4 con pista de audio sincronizada.
• Fijo en 5 segundos, 480p, 24fps. No hay que elegir duración ni resolución; en 16:9 la salida real es 864×480, justo la medida para storyboards y pruebas de material de vídeo corto.
• Cinco relaciones de aspecto. Texto a vídeo admite 16:9, 9:16, 1:1, 4:3 y 3:4, cubriendo vertical, cuadrado y horizontal de una vez; imagen a vídeo añade auto, que se ajusta automáticamente según el primer fotograma.
• Dos IDs de modelo con funciones claras. kandinsky-6.0-pro/text-to-video parte del texto, y kandinsky-6.0-pro/image-to-video toma una imagen como primer fotograma, con la indicación describiendo solo lo que ocurre a continuación.

▶ Mira este vídeo de 5 segundos: un tren nocturno cruza un viaducto de piedra bajo la luna llena, con una estela de vapor entrando en el valle

Texto a vídeo, 16:9, 864×480, 24fps, sonido e imagen generados por la misma tarea.

Generar con esta indicación →

Dos rutas para empezar: probar online o integrar la API

Prueba online (1 minuto)

1. Abre la página del modelo Kandinsky 6.0 Pro; la indicación se rellena automáticamente desde el enlace anterior.
2. Confirma la relación de aspecto: elige 16:9 para horizontal o 9:16 para vertical.
3. Pulsa generar; cuando termine la tarea podrás reproducir y descargar en la página.

Integración por API (3 pasos)

1. Crea una API Key en la consola.
2. Envía con POST /v1/tasks; basta con los campos model e input.prompt.
3. Consulta con GET /v1/tasks/{taskId}, o incluye callback al enviar; cuando status pase a success, toma data.output[0].url.

Tu primer vídeo: versión curl

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
    }
  }'

Lo que devuelve es una tarea, no el vídeo:

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

Con ese ID consulta el estado:

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

Mientras la tarea se ejecuta, data.status es handling; al completarse, data.output[0].url es la dirección del MP4. Si no pasas aspect_ratio, por defecto es 16:9; guidance_scale va de 1 a 10 y su valor por defecto es 5; súbelo si quieres ceñirte más a la indicación. Lo que no quieras, escríbelo en negative_prompt, con un máximo de 2,000 caracteres. Pasa un entero en seed para intentar reproducir el mismo resultado.

Versión Python: enviar, consultar y descargar en un solo bloque

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("Guarda primero este 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"Tarea fallida: {d}")
    time.sleep(15)

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

Usa un intervalo de sondeo de 15 segundos: las tareas de vídeo son asíncronas y consultar demasiado seguido solo genera más llamadas a la API, sin que el estado cambie antes.

Imagen a vídeo: cambia el ID de modelo y añade un primer fotograma

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 es el primer fotograma obligatorio y admite JPG, PNG y WebP. aspect_ratio por defecto es auto, que elige la relación más cercana según el primer fotograma y recorta centrado; también puedes indicar explícitamente 16:9, 9:16, 1:1, 4:3 o 3:4 para recomponer. Mira este vídeo de imagen a vídeo →

Cómo escribir la indicación: escena, acción, cámara y sonido

Con estas cuatro capas bien definidas, la información cabe justo en 5 segundos:

• Escena: lugar, momento, luz, clima — A night train crosses a tall stone viaduct under a full moon
• Acción: qué hace el sujeto y a qué velocidad — a plume of steam trailing into the valley
• Cámara: posición y movimiento — the camera cranes up from the river below
• Sonido: lo que quieres oír; esta pista nace de la misma fuente que la imagen — rhythmic wheels on the rails and a distant whistle

Lo que más se olvida es el sonido. Si solo describes la imagen, el sonido queda a suposición del modelo; si incluyes lluvia, pasos o tráfico lejano, audio e imagen encajan. Escribir la indicación en inglés es lo más fiable; si piensas en chino, tradúcela al inglés antes de enviarla. El límite por indicación es de 6,000 caracteres.

4 cosas a tener en cuenta antes de lanzar

1. Usa callback en el servidor. Añade al cuerpo de la petición "callback": {"url": "https://yourapp.com/webhook"} para recibir aviso automático al terminar la tarea; el sondeo queda solo como respaldo. Si el sondeo expira, no vuelvas a hacer POST: guarda el taskId y consulta de nuevo — cada envío crea una tarea nueva y se factura otra vez.
2. Los enlaces del resultado caducan. La URL de una respuesta correcta incluye expireAt; descárgala a tu propio almacenamiento en cuanto la recibas y no la uses como dirección permanente en tu base de datos de negocio.
3. Idioma de la indicación. El inglés y el ruso tienen soporte nativo; traduce las indicaciones en chino al inglés antes de enviarlas, así la fidelidad visual y la precisión del audio son más fiables.
4. En imagen a vídeo, aspect_ratio=auto recorta. Si quieres conservar íntegra la composición del primer fotograma, indica explícitamente la misma relación que él; si quieres adaptarte al formato de la plataforma, dejar auto es lo más cómodo.

Consulta todos los campos en la documentación en chino.

Preguntas frecuentes

¿Cuál es el ID de modelo de Kandinsky 6.0 Pro? Texto a vídeo kandinsky-6.0-pro/text-to-video, imagen a vídeo kandinsky-6.0-pro/image-to-video, escritos en el campo model de POST /v1/tasks.

¿Se puede elegir duración o resolución? No está disponible: la salida es fija en 5 segundos, 480p y 24fps. Si necesitas 720p o más, cambia a la línea de texto a vídeo de Kling 3.0 o Seedance 2.0.

¿El vídeo tiene sonido? Sí, y siempre activado. El sonido se genera con la misma indicación; si quieres oír algo, escríbelo en la indicación.

¿Qué relaciones de aspecto admite? Texto a vídeo: 16:9, 9:16, 1:1, 4:3 y 3:4; imagen a vídeo además tiene auto, que por defecto ajusta la proporción más cercana al primer fotograma.

¿Cuántos vídeos genera por vez? Una tarea genera un vídeo de 5 segundos y se factura por pieza; las tareas fallidas reembolsan la retención previa. Para varios vídeos, crea varias tareas en paralelo.

Copia la indicación del tren nocturno de arriba, ve a la página del modelo y genera tu primer vídeo de 5 segundos, elige 16:9 y verás que el sonido ya está incluido en la indicación.