Como usar o Kandinsky 6.0 Pro? Crie seu primeiro vídeo em 5 minutos

TL;DR

• O que é: um modelo de vídeo da Sber que, com um prompt ou uma imagem de primeiro quadro, gera um clipe de 5 segundos com áudio sincronizado. Já está disponível na HiAPI, abra a página do modelo Kandinsky 6.0 Pro e digite um prompt para gerar diretamente; novos usuários ganham 200 créditos ao se cadastrar.
• Quanto custa: cobrança por item, texto para vídeo US$ 1,9286 por vídeo (cerca de 3.857 créditos), imagem para vídeo US$ 2,00 por vídeo (4.000 créditos). Tarefas com falha têm o valor pré-cobrado devolvido.
• Como chamar mais rápido: POST https://api.hiapi.ai/v1/tasks, com model definido como kandinsky-6.0-pro/text-to-video. Após obter o taskId, faça polling ou aguarde o callback e baixe o MP4 em data.output[0].url.

As duas perguntas mais frequentes desde o lançamento: em que ele difere dos outros modelos de vídeo e quantos passos são necessários para integrá-lo ao seu produto. A primeira resposta está nos quatro pontos abaixo; a segunda leva 5 minutos.

O que é o Kandinsky 6.0 Pro? O que há de novo

A maior mudança é a geração conjunta de imagem e som. Ao escrever o prompt, inclua também o som: o ruído das rodas, a chuva e as vozes do vídeo final acompanham a imagem, sem precisar de dublagem separada.

• Áudio sincronizado. O Kandinsky 5.x só gerava imagem; esta geração adiciona uma faixa de áudio, e uma única tarefa já entrega um MP4 com trilha sincronizada.
• Fixo em 5 segundos, 480p, 24fps. Duração e resolução não são configuráveis; em 16:9 a saída real é 864×480, exatamente o tamanho para storyboards e testes de material de vídeos curtos.
• Cinco proporções. Texto para vídeo suporta 16:9, 9:16, 1:1, 4:3 e 3:4, cobrindo vertical, quadrado e horizontal de uma vez; imagem para vídeo tem ainda auto, que se ajusta automaticamente ao primeiro quadro.
• Dois IDs de modelo com funções claras. kandinsky-6.0-pro/text-to-video parte do texto, e kandinsky-6.0-pro/image-to-video usa uma imagem como primeiro quadro, com o prompt descrevendo apenas o que acontece a seguir.

▶ Assista a este clipe de 5 segundos: um trem noturno cruza uma ponte em arco de pedra, com vapor arrastando para o vale

Texto para vídeo, 16:9, 864×480, 24fps, som e imagem gerados pela mesma tarefa.

Gerar com este prompt →

Dois caminhos para começar: testar online ou integrar via API

Teste online (1 minuto)

1. Abra a página do modelo Kandinsky 6.0 Pro; o prompt é preenchido automaticamente pelo link acima.
2. Confirme a proporção: 16:9 para horizontal, 9:16 para vertical.
3. Clique em gerar; quando a tarefa terminar, você pode reproduzir e baixar na própria página.

Integração via API (3 passos)

1. Crie uma API Key no console.
2. Envie com POST /v1/tasks; basta preencher os campos model e input.prompt para rodar.
3. Consulte com GET /v1/tasks/{taskId} ou inclua callback no envio; quando status virar success, pegue data.output[0].url.

Primeiro vídeo: versão 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
    }
  }'

O retorno é uma tarefa, não o vídeo:

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

Use esse ID para consultar o status:

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

Enquanto a tarefa roda, data.status é handling; após o sucesso, data.output[0].url é o endereço do MP4. Se aspect_ratio não for enviado, o padrão é 16:9; guidance_scale aceita valores de 1 a 10, padrão 5 — aumente para ficar mais fiel ao prompt; o que você não quer deve ir em negative_prompt, com limite de 2.000 caracteres. seed recebe um número inteiro e ajuda a reproduzir ao máximo o mesmo resultado.

Versão Python: envio, polling e download em um só bloco

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)

Use intervalo de 15 segundos no polling: tarefas de vídeo são assíncronas, e consultar com muita frequência só gera mais chamadas à API, sem acelerar a mudança de status.

Imagem para vídeo: troque o ID do modelo e adicione um primeiro quadro

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 é o primeiro quadro obrigatório e aceita JPG, PNG e WebP. aspect_ratio tem padrão auto, escolhendo a proporção mais próxima do primeiro quadro com corte centralizado; também é possível definir explicitamente 16:9, 9:16, 1:1, 4:3 ou 3:4 para recompor o enquadramento. Assista a este clipe de imagem para vídeo →

Como escrever o prompt: cena, ação, câmera, som

Quatro camadas bem definidas cabem exatamente na quantidade de informação de 5 segundos:

• Cena: local, hora, luz, clima — A night train crosses a tall stone viaduct under a full moon
• Ação: o que o sujeito faz e em que velocidade — a plume of steam trailing into the valley
• Câmera: posição e movimento — the camera cranes up from the river below
• Som: o que você quer ouvir; esta trilha tem a mesma origem da imagem — rhythmic wheels on the rails and a distant whistle

O mais fácil de esquecer é o som. Se você só descreve a imagem, o som fica a cargo do modelo; inclua chuva, passos e tráfego distante para que áudio e imagem combinem. Escrever o prompt em inglês é mais estável; traduza primeiro as ideias em chinês para inglês e depois envie, com limite de 6.000 caracteres por item.

4 pontos de atenção antes de ir para produção

1. Use callback no servidor. Adicione "callback": {"url": "https://yourapp.com/webhook"} ao corpo da requisição para ser notificado automaticamente ao fim da tarefa, deixando o polling apenas como contingência. Em caso de timeout no polling, não faça um novo POST: guarde o taskId e consulte — cada envio cria uma nova tarefa e gera nova cobrança.
2. Os links do resultado expiram. A URL da resposta de sucesso traz expireAt; baixe para o seu próprio armazenamento assim que receber e não a use como endereço de longo prazo no banco de dados de produção.
3. Idioma do prompt. Inglês e russo são nativos; traduza prompts em chinês para inglês primeiro para obter maior fidelidade na imagem e precisão nos efeitos sonoros.
4. aspect_ratio=auto no imagem para vídeo faz corte. Para preservar totalmente a composição do primeiro quadro, defina explicitamente a mesma proporção dele; para adaptar à proporção da plataforma, deixar auto é mais simples.

Consulte todos os campos na documentação em chinês.

Perguntas frequentes

Qual é o ID do modelo Kandinsky 6.0 Pro? Texto para vídeo kandinsky-6.0-pro/text-to-video, imagem para vídeo kandinsky-6.0-pro/image-to-video, informados no campo model de POST /v1/tasks.

É possível escolher duração ou resolução? Não está disponível; a saída é fixa em 5 segundos, 480p e 24fps. Para especificações acima de 720p, use as linhas de texto para vídeo do Kling 3.0 ou Seedance 2.0.

O vídeo final tem som? Tem, e sempre ativado. O som é gerado a partir do mesmo prompt; o que você quiser ouvir, escreva no prompt.

Quais proporções são suportadas? Texto para vídeo: 16:9, 9:16, 1:1, 4:3, 3:4; imagem para vídeo tem ainda auto, que por padrão corresponde à proporção mais próxima do primeiro quadro.

Quantos vídeos por vez? Uma tarefa gera um vídeo de 5 segundos, com cobrança por item; tarefas com falha têm o valor pré-cobrado devolvido. Para vários vídeos, crie várias tarefas em paralelo.

Copie o prompt do trem noturno acima, vá até a página do modelo e gere seu primeiro vídeo de 5 segundos, escolha 16:9 e o som já está no prompt.