Diffusers 0.43: локальные модели для генерации видео

12 ноября 2026 года Hugging Face выложил diffusers v0.43.0, и в релизе пять новых интеграций. Для человека, который собирает видео у себя на машине, список моделей вторичен. Первично то, что вход в них стал общим. Разбираю, что реально дал релиз, где всё равно решают железо и лицензия, и что я проверяю до первого запуска.

Пять пиктограмм, плёнка, звук, портрет, камера и кадры, сходятся в один вход над видеокартой
01

Локальные модели для генерации видео: что дал релиз 0.43

Diffusers это библиотека Hugging Face, через которую модели генерации запускают из кода. Вместо отдельной обвязки под каждую модель вы пишете похожий пайплайн и меняете в нём блок. Релиз v0.43.0 вышел 12 ноября 2026 года, и в нём пять модульных интеграций: четыре под картинки и движение, одна под сцены.

Для практики ценность здесь в порядке. Количество названий само по себе ничего не даёт. Раньше под каждую модель был свой репозиторий, свой набор зависимостей и свои грабли при обновлении. Теперь часть моделей ставится рядом и запускается похожим кодом, и сравнение двух подходов занимает вечер.

Сразу оговорю границу. Библиотека закрывает половину дела, вторая половина остаётся за видеокартой, версией torch и лицензией на веса. Именно там запуск чаще всего и останавливается, поэтому ниже я разбираю обе части.

02

Пять интеграций релиза

MiniMax-H3-Image даёт картинку и правку по референсам за 6 шагов. Pika H3 Flex это видео с синхронным стереозвуком за 6 шагов на базе MiniMax-H3: на вход идёт текст, первый и последний кадр по отдельности или вместе, плюс мультимодальные референсы. P-H3-Image от Pruna AI работает с изображениями и правит их по инструкции, принимает до 8 входных картинок и считает за 8 шагов.

Kandinsky S2V 1.0 оживляет человека по фотографии и записи речи. PAN 2 пришёл как симулятор сцен: описание действий и движения камеры, text-to-video и image-to-video, 29 млрд параметров. Пять моделей в одном месте выглядят как меню, и это ровно то, чем релиз и полезен: выбирать стало проще, потому что условия запуска у всех одинаковые.

Схема пайплайна: один блок вынут из цепочки и заменён другим, смена модели при общем коде
03

Pika H3 Flex: видео со звуком и переиспользование весов

Практически самая интересная позиция списка. Pika H3 Flex умеет загружать LoRA-адаптеры, а ещё может переиспользовать уже загруженные компоненты MiniMax-H3. Это экономит память и время загрузки: вторая модель встаёт на уже загруженную базу.

Про размеры полезно держать в голове цифры соседнего проекта. По данным BestHub от 12 ноября, сторонняя сжатая версия HyperFlow H3 Flash при первом запуске тянет около 90 ГБ и собирает 5,2-секундный ролик примерно за 92 секунды на RTX 5090. HyperFlow это не официальный продукт MiniMax, и лицензия MiniMax H3 Community исключает ЕС, Великобританию, Корею и США. Сборку такого рода мы разбирали отдельно в материале про HyperFlow H3 Flash.

04

Kandinsky S2V: говорящий герой кусками по 5 секунд

В релизе модель описана как оживление человека по картинке и записи речи, включая движение всего тела под голос. Генерирует кусками по 5 секунд, между кусками память держит FramePack. Звук берётся из присланной речи, своей озвучки модель не придумывает. Версии Lite и Pro дистиллированы и по умолчанию считают 16 шагов.

Смысл дробления простой: длинный монолог собирается из нескольких прогонов, и качество стыка решает больше, чем качество отдельного куска. Мы разбирали Kandinsky S2V сразу после выхода модели, там подробнее про стыки.

Три проверки перед запуском: папка окружения, щит лицензии и шкала памяти видеокарты
05

PAN 2: симулятор сцены с проверками по умолчанию

PAN 2 это другой класс задачи: сцена, где модель понимает описание действий и движение камеры, то есть работа сразу над всем планом. 29 млрд параметров, text-to-video и image-to-video в одном пайплайне.

Одна деталь важна до первого запуска. Проверки безопасности включены по умолчанию и требуют отдельного пакета pan2-guardrail. Значит одним pip install дело не закончится: без пакета пайплайн не поднимется. Для студии это разумная плата за предсказуемость, для эксперимента на вечер лишний шаг установки.

06

Железо, версии и лицензии решают больше, чем список

В релизе есть вещи, которых не видно в заголовках. Для MiniMax-H3 добавили тензорный параллелизм: трансформер режется по нескольким видеокартам, и большая модель влезает в две карты вместо одной. Появился бэкенд внимания для AMD RDNA4, поправили сохранение чекпоинтов и работу с LoRA.

Отдельно про версии. Минимальные версии зависимостей теперь проверяются жёстко, и в релизе названы torch>=2.6 и transformers>=4.41.2 как пример. На практике это значит, что старый venv после обновления библиотеки может отказаться стартовать, и обновление окружения становится частью задачи.

07

Локальный ИИ для генерации видео: что проверить до запуска

Мой порядок проверки перед тем, как тащить любую из этих моделей в работу.

Первое: окружение. Поднять venv заново с torch не ниже 2.6 и transformers не ниже 4.41.2, потому что переезд со старых версий съедает больше времени, чем сама установка.

Второе: лицензия. У весов MiniMax-H3 есть ограничения по регионам, и это выясняется до скачивания, поскольку девяносто гигабайт впустую качать глупо.

Третье: память видеокарты. Требований по гигабайтам в релизе нет, поэтому цифру беру только из документации конкретной модели и подтверждаю пробным прогоном на пяти секундах.

Четвёртое: сопутствующие пакеты вроде pan2-guardrail, если в планах PAN 2.

Пятое: тестовый кадр. Один короткий прогон, просмотр в полном масштабе, потом решение про серию.

08

Где локальный запуск окупается

Локальные модели имеют смысл там, где материал нельзя отдавать в облако, и там, где прогонов много и они однотипные. Ролик о компании с закрытыми цифрами, черновые версии рекламы, тесты движения камеры до финального рендера.

Когда задача разовая и кадров немного, дешевле отдать её на сторону: видео нейросетями у нас собирают под конкретный формат, а ведение YouTube-канала закрывает цикл выпусков целиком. Локальный пайплайн в такой схеме остаётся инструментом для проверки гипотез и для закрытых материалов.

09

Мой вывод

Позиция простая: 0.43 это релиз про порядок. Прорыва в нём нет, зато пять моделей рядом означают, что сравнить два подхода стало дешевле по времени. Качество картинки определяет модель, библиотека задаёт удобство запуска.

И второе. Единый вход не отменяет скучной части: версии, память, лицензии и пакеты вроде pan2-guardrail. Кто ставит локальную генерацию впервые, потратит вечер на окружение и только потом увидит первый кадр.

Мой набор на эту неделю: Pika H3 Flex как основная модель для видео со звуком, Kandinsky S2V для говорящего героя, PAN 2 отдельно на тест движения камеры. Начинаю с одного пятисекундного прогона и проверки звука в наушниках, потому что стерео на ноутбучных динамиках не слышно.

частые вопросы

01Что такое Diffusers
Библиотека Hugging Face, через которую модели генерации запускают из кода. Один пайплайн вместо отдельной обвязки под каждую модель.
02Какие модели добавили в Diffusers 0.43
MiniMax-H3-Image, Pika H3 Flex, P-H3-Image от Pruna AI, Kandinsky S2V 1.0 и PAN 2. Релиз вышел 12 ноября 2026 года.
03Потянет ли Pika H3 Flex одна видеокарта
В релизе для MiniMax-H3 добавили тензорный параллелизм, то есть модель можно разрезать по нескольким картам. Требований по памяти в описании нет, поэтому проверять надо на своём железе.
04Зачем PAN 2 отдельный пакет
Проверки безопасности включены по умолчанию и требуют pan2-guardrail. Без него пайплайн не запустится.
05Сколько шагов считает Kandinsky S2V
Дистиллированные версии Lite и Pro по умолчанию считают 16 шагов, а ролик собирается кусками по 5 секунд.