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.
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.

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.
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.

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.
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.
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.
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.
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.




