Avatar impulsado por audio · Pesos abiertos
LongCat-Video-Avatar 1.6 sin censura: una foto, una voz y diez minutos de video parlante
Preguntar a la IA ▾
Dale un retrato y una grabación, y LongCat-Video-Avatar 1.6 te devuelve un video de esa persona hablando: los labios aciertan cada sílaba, el rostro reacciona al tono de voz y la cabeza y los hombros se mueven como lo hace la gente real cuando habla. Publicada por el equipo LongCat de Meituan el 15 de noviembre de 2026, esta actualización se centra en mantener la credibilidad durante mucho tiempo: el equipo informa de clips de más de diez minutos que conservan el mismo rostro y una imagen nítida. A continuación verás qué ha cambiado, dónde lo usan los creadores, trucos para diálogos entre dos personas, prompts listos para copiar y las formas más rápidas de probarlo.
- Foto + voz → video
- Tomas de más de 10 minutos
- Sincronización labial natural
- Diálogo entre dos personas
Generador de video alternativo sin censura
Imagen a videoParte de un retrato, describe cómo habla, sonríe y se mueve el personaje, y abriremos el estudio de imagen a video con los campos ya rellenados. Los temas para adultos son bienvenidos siempre que todas las personas mostradas sean mayores de 18 años y ficticias o hayan dado su consentimiento.
Videos parlantes de diez minutos que no se desmoronan
Quien haya probado las cabezas parlantes con IA conoce el problema habitual: los primeros segundos se ven geniales, luego el rostro se va derritiendo, la boca empieza a parpadear y la persona ya no se parece a la foto de partida. LongCat-Video-Avatar 1.6 se creó precisamente para solucionarlo. El modelo va extendiendo el video fragmento a fragmento, y el equipo lo entrenó con secuencias largas para que los pequeños errores dejen de acumularse. Su afirmación es sencilla y audaz: más de diez minutos de metraje con la misma identidad, calidad de imagen estable y movimiento fluido.
Para los creadores, eso cambia el flujo de trabajo. Una lección completa, una demostración de producto extensa, un episodio de pódcast o un capítulo de audiolibro pueden ser una sola toma continua en lugar de un montón de clips de quince segundos pegados en un editor. También puedes mantener un mismo personaje durante toda una serie: aporta audio nuevo cada semana y el mismo rostro sigue hablando, que es justo lo que más necesitan los presentadores virtuales y los canales de historias.
- Audio + foto: anima un retrato existente, el modo más popular.
- Audio + texto: ¿aún no tienes foto? Describe a la persona y deja que el modelo la invente.
- Continuación: extiende un clip existente con la siguiente parte del audio, manteniendo el aspecto.
- Varias personas: asigna a cada hablante su propia pista de audio para conversaciones.
LongCat Avatar 1.6 vs 1.5: labios más contenidos, rostros más estables
La versión 1.5 llegó en mayo de 2026 y ya era una de las favoritas de los aficionados al código abierto. La nueva versión mantiene la misma base y el mismo codificador de audio Whisper-Large, así que las mejoras provienen del entrenamiento y no de una nueva arquitectura. Lo que realmente verás en pantalla: bocas que ya no sobrearticulan cada palabra, labios que no se ven antinaturalmente rojos, menos parpadeo alrededor de la boca y expresiones faciales que se mueven en sintonía con la cabeza y el cuerpo. En la prueba ciega del propio equipo, con 33.051 votos válidos, la 1.6 quedó segunda de seis sistemas, solo por detrás del cerrado OmniHuman-2.0 y por delante de la 1.5, HeyGen, OmniHuman-1.5 y Kling Avatar 2.0. Esa clasificación es una evaluación del propio fabricante, no un benchmark independiente.
| Versión 1.5 | Versión 1.6 | |
|---|---|---|
| Lanzamiento | 21 de mayo de 2026 | 15 de noviembre de 2026 |
| Movimiento de la boca | A veces exagerado, labios rojizos | Más suave, más natural, menos parpadeo |
| Videos largos | La deriva se acumula con el tiempo | Más de 10 minutos con identidad estable (según el equipo) |
| Velocidad | Muestreo destilado de 8 pasos | 8 pasos: primero mezcla DMD + OPSD, luego solo OPSD |
| Preferencia humana (Elo) | Más baja | 1068,1, segundo de seis sistemas |
Un probador de la comunidad que convirtió el modelo para Mac informó de puntuaciones de sincronización labial SyncNet de aproximadamente 6,8–7,4 para la 1.6 frente a unos 6,5 para la 1.5 (metraje real: 7,05). Cifras no oficiales.
De foto a video parlante: dónde lo están usando los creadores
Las cabezas parlantes impulsadas por audio solían ser un juguete para demos. Con tomas más largas y rostros más naturales se han convertido en una herramienta práctica para cualquiera que necesite a una persona en pantalla recitando un guion, sin contratar a un presentador, alquilar un estudio ni grabarse a sí mismo. Combina un retrato con una voz grabada o una pista de texto a voz y tendrás en minutos un presentador, un profesor, un narrador o un personaje de ficción. Estas son las escenas que los creadores de videos cortos, los educadores y los creadores de personajes están probando primero.
- Microdramas y cómics con IA: planos de diálogo línea a línea para cada personaje, creados en lote a partir de guiones TTS.
- Videos de productos y tiendas: un presentador cercano explica un producto o presenta una tienda con un tono natural y conversacional.
- Cursos y videos explicativos: un profesor de diez minutos que no deja de gesticular y asentir, o versiones dobladas a otros idiomas (la calidad puede variar según el idioma).
- Presentadores virtuales y compañeros de IA: un personaje que responde a fans o a mensajes de chat con un video.
- Fotos antiguas y cuadros que hablan: dale voz a un retrato familiar o a una obra de arte para una publicación memorable.
- Diversión con canto y playback: como sigue el audio, vale la pena probar con clips musicales, aunque los resultados no se han probado oficialmente.
Lecciones y charlas largas
Convierte una narración completa en un único video continuo con presentador en lugar de decenas de clips cortos.
Diálogos dramáticos
Asigna a dos personajes sus propias pistas de voz y obtén una escena de ida y vuelta con reacciones naturales.
Presentadores virtuales
Mantén un mismo rostro a lo largo de toda una serie de episodios, videos de productos o respuestas a fans.
Conversaciones a dos, entrevistas y dúos
Uno de los modos más divertidos de LongCat-Video-Avatar 1.6 es el video con varias personas. Dale al modelo una imagen con dos personas y una pista de audio independiente para cada una, y animará a quien esté hablando mientras la otra escucha y reacciona. Eso abre formatos que antes requerían dos actores: una entrevista estilo pódcast, una pareja discutiendo en un microdrama, un dúo cómico, un juego de rol entre profesor y alumno o un presentador charlando con un invitado. Como la estabilidad en videos largos se mantiene, estos diálogos pueden durar minutos en lugar de un solo intercambio.
Un buen truco es mantener la escena sencilla: dos personas frente a frente o sentadas una al lado de la otra, ambos rostros bien visibles y un prompt que indique quién habla primero. Después graba o genera las dos voces por separado y alinéalas como un diálogo natural, con pequeñas pausas entre frase y frase.
Plantillas de prompts para videos parlantes naturales
Esto es lo más importante al escribir prompts para LongCat-Video-Avatar 1.6: el audio decide lo que dice la persona y el prompt de texto decide cómo se ve la toma. Describe la distancia de la cámara, el estado de ánimo, los gestos y la iluminación, nunca el diálogo en sí. En videos largos, mantén la misma descripción de la persona en cada segmento para que el personaje no se desvíe. Estas plantillas cubren los formatos favoritos; cambia los detalles y conserva la estructura.
- Presentadora: Una mujer joven en un estudio luminoso, plano medio, hablando con calidez a la cámara, gestos naturales con las manos, luz de día suave, cámara estable.
- Presentación de producto: Un hombre con una taza de café en la barra de una cafetería, sonriendo, explicando el producto con expresiones animadas, poca profundidad de campo.
- Clase: Un profesor de pie frente a una pizarra blanca, tono tranquilo, asentimientos ocasionales y gestos señalando, plano fijo con trípode.
- Diálogo: Dos amigos sentados en un sofá frente a frente, la persona de la izquierda habla primero y luego responde la de la derecha, iluminación informal de sala de estar.
- Cantante: Una cantante en un pequeño escenario, rostro expresivo, balanceándose suavemente al ritmo, foco cálido.
- Monólogo coqueto (18+): Una mujer adulta ficticia en bikini en una playa al atardecer, sonrisa coqueta, hablando suavemente a la cámara, una brisa suave en el cabello.
Descarga desde Hugging Face, ComfyUI, INT8, GGUF y MLX para Mac
Si te gusta ejecutar las cosas por tu cuenta, los pesos se pueden descargar gratis desde Hugging Face y ModelScope, y el código está en el repositorio LongCat-Video de GitHub. El equipo no ha publicado un requisito oficial de memoria, pero sí ofrece una opción INT8 solo de pesos para configuraciones más ligeras, y la comunidad se ha movido rápido: hay paquetes para ComfyUI (incluido uno de Comfy-Org), una versión de ComfyUI para la 1.6, conversiones INT8 y archivos GGUF de la línea 1.5 para tarjetas con poca VRAM.
Los usuarios de Mac también tienen una conversión para Apple MLX. Su autor informa de que, en un M5 Max con 64 GB de memoria, cada segmento de 3,7 segundos a 480p tarda unos ocho minutos y alcanza un pico cercano a 47 GB, así que un video de diez minutos es un trabajo para toda la noche. Por eso muchos creadores prefieren una herramienta en el navegador para ideas rápidas y reservan las ejecuciones locales para las tomas largas definitivas.
Modelos de avatar parlante de código abierto en 2026: ¿una alternativa a HeyGen y OmniHuman?
Los servicios de avatares por suscripción como HeyGen, OmniHuman y Kling Avatar son pulidos, pero limitan la duración de los clips, cobran por minuto y moderan lo que subes. El modelo de Meituan es la alternativa abierta que mucha gente esperaba: pesos gratuitos con licencia MIT, tomas de más de diez minutos y una puntuación de preferencia humana que, en la prueba de sus creadores, supera a HeyGen y a Kling Avatar 2.0. Otras opciones abiertas son Kandinsky S2V, que anima el cuerpo completo a partir de prompts de texto, y MultiTalk para escenas con varias personas. El inconveniente de cualquier modelo abierto es el hardware: los videos largos requieren una GPU potente o mucha paciencia.
Crea un video de personaje parlante 18+ en Spicy AI
La versión oficial no tiene ningún filtro de contenido integrado descrito en su ficha del modelo, y todavía no existe ningún ajuste fino sin censura de la comunidad; hoy la gente lo usa ejecutándolo localmente con su propio arte de personajes adultos. Para una vía más rápida en el navegador, el estudio de imagen a video de Spicy AI anima cualquier retrato de un personaje ficticio mayor de 18 años, desde un divertido monólogo en bikini hasta un saludo susurrado estilo ASMR o la respuesta de una novia virtual.
- 1Crea o sube un retrato de un personaje adulto ficticio; prueba antes un look de bañador o lencería hecho con el editor de imágenes.
- 2Describe cómo habla y se mueve: una sonrisa, inclinarse hacia la cámara, un guiño, iluminación suave.
- 3Genera el clip y luego añade tu propia voz en off o pista TTS durante la edición.
Para obtener los resultados más limpios, ten en cuenta estos consejos sobre los datos de entrada:
- Usa un retrato nítido y de frente, con el rostro bien iluminado y sin taparlo con las manos o el pelo.
- Usa voz limpia sin música de fondo; la guía oficial de la 1.5 sugiere un CFG de audio de 3–5 al ejecutarlo localmente.
- Mantén idéntica la descripción del personaje en todos los segmentos para que los videos largos sean coherentes.
Da vida a un retrato de personaje 18+ en tu navegador, sin necesidad de GPU.
Empezar imagen a video →Autoalojar LongCat Avatar 1.6 vs generar en línea en Spicy AI
| Despliegue local (pesos oficiales) | Spicy AI en línea | |
|---|---|---|
| Filtrado de contenido | Sin filtro en línea cuando lo ejecutas tú mismo | Se permite contenido para adultos (18+) |
| Pesos abiertos | Sí, licencia MIT en Hugging Face | No aplica, funciona en línea |
| Modelo usado realmente | LongCat Avatar 1.6 (avatar-v1.6) | Modelos de video propios de Spicy AI |
| Precio | Pesos gratuitos, pagas la GPU | Gratis para empezar, créditos para más |
- Local: sincronización labial guiada por tu propio audio, tomas de más de diez minutos, control total.
- Spicy AI: anima un retrato en el navegador, sin hardware ni configuración.
Preguntas frecuentes
¿Qué es este modelo?
Es un modelo de video de avatar parlante con pesos abiertos, publicado por el equipo LongCat de Meituan el 15 de noviembre de 2026. Convierte un retrato (o una descripción de texto) más una voz en un video parlante, y admite modos de una persona, varias personas y continuación larga.
¿Qué mejora la 1.6 respecto a la 1.5?
La sincronización labial es más precisa, las expresiones y el movimiento de la cabeza o el cuerpo se sienten más coordinados, se reducen las formas de boca exageradas y los labios demasiado rojos, y los errores se acumulan menos en videos largos. El equipo afirma que puede superar los diez minutos, y la inferencia es más rápida de principio a fin.
¿Cuánto pueden durar los videos?
El equipo informa de más de diez minutos con calidad e identidad estables. Funciona extendiendo el video segmento a segmento; la versión comunitaria para Mac, por ejemplo, genera segmentos de 93 fotogramas de unos 3,7 segundos cada uno.
¿Qué hardware necesito para ejecutarlo localmente?
No se ha publicado ninguna cifra oficial de memoria. Existe una opción INT8 solo de pesos, se recomienda FlashAttention 3 en GPU Hopper y la versión comunitaria para MLX alcanzó un pico de unos 47 GB en un M5 Max de 64 GB. A la mayoría de usuarios ocasionales les resultará más fácil una herramienta en línea.
¿Funciona en ComfyUI?
El repositorio de GitHub no incluye nodos oficiales de ComfyUI, pero Hugging Face aloja un paquete de Comfy-Org, una versión comunitaria de ComfyUI para la 1.6 y archivos GGUF de la línea 1.5.
¿Existe una versión sin censura?
A 20 de noviembre de 2026 no había aparecido ningún ajuste fino sin censura de la comunidad. Los pesos se ejecutan localmente y la ficha del modelo no describe ningún filtro de contenido. Las creaciones para adultos solo deben usar personajes ficticios mayores de 18 años o que hayan dado su consentimiento.
¿Cómo se compara con HeyGen u OmniHuman?
En la evaluación humana del propio equipo quedó segundo de seis sistemas, por detrás de OmniHuman-2.0 y por delante de HeyGen y Kling Avatar 2.0. Sus principales ventajas son los pesos abiertos y las tomas muy largas.
Fuentes
- Ficha del modelo LongCat-Video-Avatar-1.6 (Hugging Face)
- Repositorio meituan-longcat/LongCat-Video (GitHub)
- Página del proyecto LongCat-Video-Avatar 1.6
- Informe técnico de LongCat-Video-Avatar 1.6 (PDF)
- Informe técnico de LongCat-Video (arXiv 2510.22200)
- Ficha del modelo LongCat-Video-Avatar-1.5 (Hugging Face)
- LongCat-Video-Avatar 1.6 en ModelScope
- Paquete LongCat-Video-Avatar de Comfy-Org (Hugging Face)
- Conversión comunitaria MLX bf16 para Mac (Hugging Face)
Más guías de modelos de video sin censura
- Kandinsky S2V 1.0 Pro sin censura
- Kling sin censura
- Kling 2.6 sin censura
- Kling O1 sin censura
- Sora sin censura
- Veo sin censura
- Hailuo AI sin censura
- MiniMax H3 Max sin censura
- Wan sin censura
- Wan 3.0 sin censura
- Seedance sin censura
- Seedance 2.5 sin censura
- Seedance 2.0 sin censura
- Seedance 2.0 Mini sin censura
- HunyuanVideo sin censura
- LTX Video sin censura
- Runway sin censura
- Pika sin censura
- Luma Dream Machine sin censura
- Vidu sin censura
- PixVerse sin censura
- EdenLive sin censura
- UniAVC sin censura
- Grok Imagine sin censura
- AI Avatars sin censura
- HappyHorse 1.0 sin censura
- MiniMax H3 FL2VA Ref2VA sin censura
- Kling 4.0 sin censura
- Kling 3.0 sin censura
- MiniMax H3 RefMods sin censura
- Kandinsky 6.0 sin censura
- Looking Ahead sin censura
- TaoMate-H3 sin censura
- SANA-Video 2.0 sin censura
- MiniMax H3 Remix sin censura
- Sora 2 sin censura
- Wan 2.6 sin censura
- LTX-2.5 Slow Motion sin censura
- LTX-2.5 Cinemagraph sin censura
- VDN MiniMax H3 sin censura
- Hy-Nomas sin censura
- Seedance 1.5 Pro sin censura
- Pika H3 Flex sin censura
- Veo 3.1 sin censura
- MiniMax H3 x Z-Image sin censura
- Origami-H3 sin censura
- Wan 2.6 Flash sin censura
Spicy AI es un sitio independiente y no está afiliado a Meituan ni al equipo LongCat. El contenido debe involucrar únicamente a adultos (18+); no animes a personas reales sin su consentimiento.