Audiogesteuerter Avatar · Offene Gewichte

Uncensored LongCat-Video-Avatar 1.6: Ein Foto, eine Stimme, zehn Minuten Sprechvideo

KI fragen ▾

Gib ihm ein Porträt und eine Aufnahme, und LongCat-Video-Avatar 1.6 liefert ein Video, in dem diese Person spricht: Die Lippen treffen jede Silbe, das Gesicht reagiert auf den Tonfall, und Kopf und Schultern bewegen sich so, wie sich Menschen beim Sprechen wirklich bewegen. Das Update, das das LongCat-Team von Meituan am 15. November 2026 veröffentlicht hat, dreht sich ganz darum, auch über lange Zeit glaubwürdig zu bleiben: Das Team berichtet von Clips mit über zehn Minuten Länge, die dasselbe Gesicht und eine scharfe Bildqualität behalten. Unten erfährst du, was sich geändert hat, wofür Creator es einsetzen, welche Tricks bei Dialogen mit zwei Personen helfen, findest sofort nutzbare Prompts und die schnellsten Wege, es auszuprobieren.

  • Foto + Stimme → Video
  • Takes über 10 Minuten
  • Natürliche Lippensynchronität
  • Dialog mit zwei Personen
Lass eine Figur sprechen →
Sprechender Avatar im Stil von LongCat-Video-Avatar 1.6: eine erwachsene Frau präsentiert in einem hellen Studio vor der Kamera

Unzensierter alternativer Videogenerator

Bild zu Video

Starte mit einem Porträt, beschreibe, wie die Figur spricht, lächelt und sich bewegt, und wir öffnen das Bild-zu-Video-Studio mit allen Angaben vorausgefüllt. Erwachsene Themen sind willkommen, sofern alle gezeigten Personen 18+ und fiktiv sind oder eingewilligt haben.

Füge zuerst ein Porträt hinzu; der Clip wird daraus animiert.

Zehnminütige Sprechvideos, die nicht zerfallen

Wer KI-Sprechköpfe schon ausprobiert hat, kennt das übliche Problem: Die ersten Sekunden sehen großartig aus, dann zerfließt das Gesicht langsam, der Mund beginnt zu flackern, und die Person sieht nicht mehr aus wie auf dem Ausgangsfoto. Genau dagegen wurde LongCat-Video-Avatar 1.6 gebaut. Das Modell verlängert das Video Stück für Stück, und das Team hat es auf langen Durchläufen trainiert, damit sich kleine Fehler nicht mehr aufsummieren. Die Ansage ist schlicht und kühn: über zehn Minuten Material mit derselben Identität, gleichbleibender Bildqualität und flüssiger Bewegung.

Für Creator verändert das den Workflow. Eine komplette Lektion, eine lange Produktvorführung, eine Podcast-Folge oder ein Hörbuchkapitel kann ein durchgehender Take sein statt eines Stapels 15-Sekunden-Clips, die im Schnittprogramm zusammengeklebt werden. Außerdem kannst du eine Figur über eine ganze Serie hinweg behalten: Jede Woche neues Audio einspeisen, und dasselbe Gesicht spricht weiter – genau das, was virtuelle Hosts und Story-Kanäle am meisten brauchen.

  • Audio + Foto: ein vorhandenes Porträt animieren, der beliebteste Modus.
  • Audio + Text: noch kein Foto? Beschreibe die Person und lass das Modell sie erfinden.
  • Fortsetzung: einen bestehenden Clip mit dem nächsten Audioabschnitt verlängern und dabei den Look beibehalten.
  • Mehrere Personen: jedem Sprecher eine eigene Tonspur für Gespräche geben.

LongCat Avatar 1.6 vs. 1.5: ruhigere Lippen, stabilere Gesichter

Version 1.5 erschien im Mai 2026 und war bei Open-Source-Fans bereits beliebt. Das neue Release behält dieselbe Basis und denselben Whisper-Large-Audio-Encoder, die Verbesserungen stammen also aus dem Training statt aus einer neuen Architektur. Was du tatsächlich auf dem Bildschirm siehst: Münder, die nicht mehr jedes Wort überartikulieren, Lippen, die nicht unnatürlich rot sind, weniger Flackern um den Mund und Gesichtsausdrücke, die sich im Einklang mit Kopf und Körper bewegen. Im eigenen Blindtest des Teams mit 33.051 gültigen Stimmen belegte 1.6 Platz zwei von sechs Systemen, nur hinter dem geschlossenen OmniHuman-2.0 und vor 1.5, HeyGen, OmniHuman-1.5 und Kling Avatar 2.0. Dieses Ranking ist eine Eigenbewertung des Anbieters, kein unabhängiger Benchmark.

Version 1.5Version 1.6
Veröffentlicht21. Mai 202615. November 2026
MundbewegungTeils übertrieben, rötliche LippenWeicher, natürlicher, weniger Flackern
Lange VideosDrift nimmt mit der Zeit zuÜber 10 Minuten mit stabiler Identität (laut Team)
GeschwindigkeitDestilliertes Sampling mit 8 Schritten8 Schritte: erst DMD + OPSD gemischt, dann nur OPSD
Menschliche Präferenz (Elo)Niedriger1068,1, Platz zwei von sechs Systemen

Ein Community-Tester, der das Modell für den Mac konvertiert hat, berichtet von SyncNet-Lippensync-Werten von etwa 6,8–7,4 für 1.6 gegenüber rund 6,5 für 1.5 (echtes Filmmaterial: 7,05). Inoffizielle Zahlen.

Vom Foto zum Sprechvideo: Wofür Creator es einsetzen

Audiogesteuerte Sprechköpfe waren früher ein Spielzeug für Demos. Mit längeren Takes und natürlicheren Gesichtern sind sie zu einem praktischen Werkzeug für alle geworden, die eine Person auf dem Bildschirm brauchen, die ein Skript spricht – ohne Moderator zu engagieren, ein Studio zu mieten oder sich selbst aufzunehmen. Kombiniere ein Porträt mit einer aufgenommenen Stimme oder einer Text-to-Speech-Spur, und du hast in Minuten einen Moderator, eine Lehrkraft, einen Erzähler oder eine fiktive Figur. Die folgenden Szenarien probieren Kurzvideo-Macher, Lehrende und Charakter-Creator zuerst aus.

  • Kurzdramen und KI-Comics: Dialogeinstellungen Zeile für Zeile für jede Figur, in Serie aus TTS-Skripten erstellt.
  • Produkt- und Shopvideos: ein sympathischer Host erklärt ein Produkt oder stellt einen Laden in natürlichem, plaudernden Ton vor.
  • Kurse und Erklärvideos: ein Dozent, der zehn Minuten lang gestikuliert und nickt, oder synchronisierte Fassungen in anderen Sprachen (die Qualität kann je nach Sprache variieren).
  • Virtuelle Hosts und KI-Begleiter: eine Figur, die Fans oder Chatnachrichten per Videoantwort beantwortet.
  • Sprechende alte Fotos und Gemälde: einem Familienporträt oder Kunstwerk eine Stimme für einen unvergesslichen Post geben.
  • Gesang und Lip-Sync-Spaß: Da es dem Audio folgt, lohnen sich Musikclips einen Versuch, auch wenn die Ergebnisse nicht offiziell getestet sind.

Lange Lektionen und Vorträge

Mach aus einer kompletten Erzählung ein durchgehendes Moderatorenvideo statt Dutzender kurzer Clips.

Dramendialoge

Gib zwei Figuren eigene Tonspuren und erhalte eine Wechselszene mit natürlichen Reaktionen.

Virtuelle Hosts

Behalte ein Gesicht über eine ganze Serie von Folgen, Produktvideos oder Fan-Antworten hinweg.

Gespräche, Interviews und Duette mit zwei Personen

Einer der unterhaltsamsten Modi in LongCat-Video-Avatar 1.6 ist das Video mit mehreren Personen. Gib dem Modell ein Bild mit zwei Personen und eine eigene Tonspur für jede, und es animiert jeweils die sprechende Person, während die andere zuhört und reagiert. Das eröffnet Formate, für die man früher zwei Darsteller brauchte: ein Interview im Podcast-Stil, ein streitendes Paar in einem Kurzdrama, ein Comedy-Duo, ein Rollenspiel zwischen Lehrkraft und Schüler oder ein Host, der mit einem Gast plaudert. Weil die Stabilität bei langen Videos erhalten bleibt, können diese Dialoge minutenlang laufen statt nur einen einzigen Wortwechsel.

Ein guter Trick ist, die Szene einfach zu halten: zwei Personen, die sich gegenübersitzen oder nebeneinander sitzen, beide Gesichter gut sichtbar, und ein Prompt, der sagt, wer zuerst spricht. Nimm die beiden Stimmen dann getrennt auf oder generiere sie separat und lege sie als natürliches Hin und Her mit kleinen Pausen zwischen den Sätzen an.

Zwei erwachsene Figuren in einem lebhaften Gespräch auf dem Sofa, wie in einer Sprechvideo-Szene mit zwei Personen

Prompt-Vorlagen für natürliche Sprechvideos

Das Wichtigste beim Prompten von LongCat-Video-Avatar 1.6: Das Audio bestimmt, was die Person sagt, der Text-Prompt bestimmt, wie die Einstellung aussieht. Beschreibe Kameradistanz, Stimmung, Gesten und Licht, niemals den Dialog selbst. Halte bei langen Videos die Beschreibung der Person in jedem Segment gleich, damit die Figur nicht abdriftet. Diese Vorlagen decken die beliebtesten Formate ab; tausche die Details aus und behalte die Struktur bei.

  • Moderatorin: Eine junge Frau in einem hellen Studio, halbnahe Einstellung, spricht herzlich in die Kamera, natürliche Handgesten, weiches Tageslicht, ruhige Kamera.
  • Produktvorstellung: Ein Mann mit einer Kaffeetasse an einer Café-Theke, lächelnd, erklärt das Produkt mit lebhafter Mimik, geringe Schärfentiefe.
  • Vorlesung: Ein Professor vor einem Whiteboard, ruhiger Ton, gelegentliches Nicken und Zeigegesten, statische Stativaufnahme.
  • Dialog: Zwei Freunde sitzen sich auf einem Sofa gegenüber, die linke Person spricht zuerst, dann antwortet die rechte, lockeres Wohnzimmerlicht.
  • Sängerin: Eine Sängerin auf einer kleinen Bühne, ausdrucksstarkes Gesicht, wiegt sich sanft im Rhythmus, warmes Spotlight.
  • Koketter Monolog (18+): Eine erwachsene fiktive Frau im Bikini an einem Strand bei Sonnenuntergang, kokettes Lächeln, spricht leise in die Kamera, sanfte Brise im Haar.

Hugging-Face-Download, ComfyUI, INT8, GGUF und Mac MLX

Wenn du Dinge gern selbst ausführst: Die Gewichte stehen kostenlos auf Hugging Face und ModelScope zum Download bereit, der Code liegt im GitHub-Repository LongCat-Video. Das Team hat keine offizielle Speicheranforderung veröffentlicht, liefert aber eine reine Gewichts-INT8-Option für schlankere Setups, und die Community war schnell: Es gibt ComfyUI-Pakete (darunter eines von Comfy-Org), einen ComfyUI-Build für 1.6, INT8-Konvertierungen sowie GGUF-Dateien aus der 1.5-Reihe für Grafikkarten mit wenig VRAM.

Auch Mac-Besitzer haben eine Apple-MLX-Konvertierung. Ihr Autor berichtet, dass auf einem M5 Max mit 64 GB Speicher jedes 3,7-Sekunden-Segment in 480p etwa acht Minuten dauert und in der Spitze rund 47 GB belegt – ein zehnminütiges Video ist also ein Job für die Nacht. Deshalb nutzen viele Creator für schnelle Ideen lieber ein Browser-Tool und heben sich lokale Durchläufe für finale, lange Takes auf.

Open-Source-Modelle für sprechende Avatare 2026: eine Alternative zu HeyGen und OmniHuman?

Abo-Avatardienste wie HeyGen, OmniHuman und Kling Avatar sind ausgereift, begrenzen aber die Cliplänge, rechnen pro Minute ab und moderieren, was du hochlädst. Das Meituan-Modell ist die offene Alternative, auf die viele gewartet haben: kostenlose Gewichte unter MIT-Lizenz, Takes von über zehn Minuten und ein Präferenzwert, der im Test seiner Entwickler HeyGen und Kling Avatar 2.0 schlägt. Weitere offene Optionen sind Kandinsky S2V, das den ganzen Körper per textgesteuerten Prompts animiert, und MultiTalk für Szenen mit mehreren Personen. Der Haken bei jedem offenen Modell ist die Hardware: Lange Videos brauchen eine starke GPU oder viel Geduld.

Erstelle ein 18+-Sprechvideo mit einer Figur auf Spicy AI

Laut Model Card hat das offizielle Release keinen eingebauten Inhaltsfilter, und eine unzensierte Community-Feinabstimmung gibt es noch nicht; heute nutzen es die Leute, indem sie es lokal mit eigenen Bildern erwachsener Figuren ausführen. Schneller geht es im Browser: Das Bild-zu-Video-Studio von Spicy AI animiert jedes Porträt einer fiktiven Figur ab 18 – vom verspielten Bikini-Monolog über eine geflüsterte Begrüßung im ASMR-Stil bis zur Antwort einer virtuellen Freundin.

  1. 1Erstelle oder lade ein Porträt einer erwachsenen fiktiven Figur hoch; probiere vorher einen Badeanzug- oder Dessous-Look mit dem Bildeditor.
  2. 2Beschreibe, wie sie spricht und sich bewegt: ein Lächeln, eine Neigung zur Kamera, ein Zwinkern, weiches Licht.
  3. 3Generiere den Clip und füge beim Schnitt deine eigene Sprachaufnahme oder TTS-Spur hinzu.

Für die saubersten Ergebnisse beachte diese Tipps zum Ausgangsmaterial:

  1. Nutze ein scharfes, frontales Porträt mit gut ausgeleuchtetem Gesicht, das nicht von Händen oder Haaren verdeckt ist.
  2. Verwende saubere Sprache ohne Hintergrundmusik; der offizielle 1.5-Leitfaden empfiehlt bei lokaler Ausführung einen Audio-CFG von 3–5.
  3. Halte die Figurenbeschreibung über alle Segmente identisch, damit lange Videos konsistent bleiben.

Erwecke das Porträt einer 18+-Figur direkt im Browser zum Leben, ganz ohne GPU.

Bild zu Video starten →
Erwachsene Frau im Bikini an einem Strand bei Sonnenuntergang, die für einen koketten Monolog leise in die Kamera spricht

LongCat Avatar 1.6 selbst hosten vs. online auf Spicy AI generieren

Lokale Bereitstellung (offizielle Gewichte)Spicy AI online
InhaltsfilterKein Online-Filter bei eigener AusführungInhalte für Erwachsene (18+) erlaubt
Offene GewichteJa, MIT-Lizenz auf Hugging FaceNicht zutreffend, läuft online
Tatsächlich genutztes ModellLongCat Avatar 1.6 (avatar-v1.6)Eigene Videomodelle von Spicy AI
PreisKostenlose Gewichte, du zahlst für die GPUKostenloser Einstieg, Credits für mehr
  • Lokal: Lippensynchronität aus deinem eigenen Audio, Takes über zehn Minuten, volle Kontrolle.
  • Spicy AI: Porträt im Browser animieren, keine Hardware oder Einrichtung nötig.

Häufig gestellte Fragen

Was ist dieses Modell?

Es ist ein Videomodell für sprechende Avatare mit offenen Gewichten, das das LongCat-Team von Meituan am 15. November 2026 veröffentlicht hat. Es macht aus einem Porträt (oder einer Textbeschreibung) plus Sprache ein Sprechvideo und unterstützt Modi für eine Person, mehrere Personen und lange Fortsetzungen.

Was ist in 1.6 besser als in 1.5?

Die Lippensynchronität ist genauer, Mimik sowie Kopf- und Körperbewegungen wirken besser abgestimmt, übertriebene Mundformen und zu rote Lippen sind reduziert, und in langen Videos summieren sich Fehler weniger. Laut Team sind über zehn Minuten möglich, und die Inferenz ist insgesamt schneller.

Wie lang können die Videos sein?

Das Team berichtet von über zehn Minuten bei stabiler Qualität und Identität. Das Video wird Segment für Segment verlängert; der Community-Build für den Mac erzeugt beispielsweise Segmente mit 93 Frames von je etwa 3,7 Sekunden.

Welche Hardware brauche ich für die lokale Ausführung?

Es wurde keine offizielle Speicherangabe veröffentlicht. Es gibt eine reine Gewichts-INT8-Option, auf Hopper-GPUs wird FlashAttention 3 empfohlen, und die MLX-Version der Community erreichte auf einem M5 Max mit 64 GB in der Spitze etwa 47 GB. Für die meisten Gelegenheitsnutzer ist ein Online-Tool einfacher.

Funktioniert es in ComfyUI?

Das GitHub-Repo listet keine offiziellen ComfyUI-Nodes, aber auf Hugging Face gibt es ein Comfy-Org-Paket, einen ComfyUI-Build der Community für 1.6 sowie GGUF-Dateien aus der 1.5-Reihe.

Gibt es eine unzensierte Version?

Bis zum 20. November 2026 ist keine unzensierte Community-Feinabstimmung erschienen. Die Gewichte laufen lokal, und die Model Card beschreibt keinen Inhaltsfilter. Inhalte für Erwachsene dürfen ausschließlich fiktive Figuren ab 18 oder Personen, die eingewilligt haben, zeigen.

Wie schneidet es im Vergleich zu HeyGen oder OmniHuman ab?

In der eigenen menschlichen Bewertung des Teams belegte es Platz zwei von sechs Systemen, hinter OmniHuman-2.0 und vor HeyGen und Kling Avatar 2.0. Seine Hauptvorteile sind offene Gewichte und sehr lange Takes.

Quellen

Alle unzensierten KI-Modelle ansehen →

Spicy AI ist eine unabhängige Website und steht in keiner Verbindung zu Meituan oder dem LongCat-Team. Alle Inhalte dürfen ausschließlich Erwachsene (18+) zeigen; animiere keine echten Personen ohne deren Einwilligung.

Sign in

Welcome to Spicy AI

or