Аватар на основе аудио · Открытые веса
LongCat-Video-Avatar 1.6 без цензуры: одно фото, один голос и десять минут говорящего видео
Дайте модели портрет и запись голоса, и LongCat-Video-Avatar 1.6 вернёт видео, где этот человек говорит: губы попадают в каждый слог, лицо реагирует на интонацию, а голова и плечи двигаются так, как у живых людей во время разговора. Обновление, выпущенное командой Meituan LongCat 15 ноября 2026 года, посвящено тому, чтобы оставаться правдоподобным долгое время: команда сообщает о роликах длиной более десяти минут с тем же лицом и чётким изображением. Ниже — что изменилось, где авторы уже применяют модель, приёмы для диалогов двух персонажей, готовые промпты и самые быстрые способы попробовать.
- Фото + голос → видео
- Дубли от 10 минут
- Естественная синхронизация губ
- Диалог двух персонажей
Альтернативный генератор видео без цензуры
Изображение в видеоНачните с одного портрета, опишите, как персонаж говорит, улыбается и двигается, и мы откроем студию «изображение в видео» со всеми заполненными полями. Взрослые темы допустимы, если всем изображённым 18+ и они вымышлены или дали согласие.
Десятиминутные говорящие видео, которые не разваливаются
Все, кто пробовал говорящие ИИ-головы, знают обычную проблему: первые секунды выглядят отлично, затем лицо постепенно «плывёт», рот начинает мерцать, и человек уже не похож на исходное фото. LongCat-Video-Avatar 1.6 создана именно для того, чтобы это исправить. Модель наращивает видео фрагмент за фрагментом, а команда обучала её на длинных прогонах, чтобы мелкие ошибки перестали накапливаться. Заявление простое и смелое: более десяти минут видео с той же внешностью, стабильным качеством изображения и плавными движениями.
Для авторов это меняет рабочий процесс. Целый урок, длинный обзор продукта, выпуск подкаста или глава аудиокниги могут стать одним непрерывным дублем, а не набором пятнадцатисекундных клипов, склеенных в редакторе. Можно также сохранять одного персонажа на протяжении целой серии: каждую неделю подаёте новое аудио, и говорит всё то же лицо — именно это больше всего нужно виртуальным ведущим и сюжетным каналам.
- Аудио + фото: оживление готового портрета, самый популярный режим.
- Аудио + текст: фото ещё нет? Опишите человека, и модель придумает его сама.
- Продолжение: дополните существующий ролик следующей частью аудио, сохраняя внешность.
- Несколько человек: дайте каждому говорящему свою аудиодорожку для бесед.
LongCat Avatar 1.6 против 1.5: спокойнее губы, стабильнее лица
Версия 1.5 вышла в мае 2026 года и уже полюбилась поклонникам open source. Новый релиз сохраняет ту же базу и тот же аудиоэнкодер Whisper-Large, поэтому улучшения получены за счёт обучения, а не новой архитектуры. Что вы реально увидите на экране: рот больше не артикулирует каждое слово чрезмерно, губы не неестественно красные, меньше мерцания вокруг рта, а мимика движется согласованно с головой и телом. В слепом тесте самой команды с 33 051 действительным голосом версия 1.6 заняла второе место из шести систем, уступив лишь закрытой OmniHuman-2.0 и опередив 1.5, HeyGen, OmniHuman-1.5 и Kling Avatar 2.0. Этот рейтинг — собственная оценка разработчика, а не независимый бенчмарк.
| Версия 1.5 | Версия 1.6 | |
|---|---|---|
| Выпуск | 21 мая 2026 г. | 15 ноября 2026 г. |
| Движения рта | Иногда преувеличенные, красноватые губы | Мягче, естественнее, меньше мерцания |
| Длинные видео | Со временем накапливается дрейф | Более 10 минут со стабильной внешностью (по заявлению команды) |
| Скорость | 8-шаговое дистиллированное семплирование | 8 шагов: сначала смесь DMD + OPSD, затем только OPSD |
| Предпочтения людей (Elo) | Ниже | 1068,1, второе место из шести систем |
Участник сообщества, сконвертировавший модель для Mac, сообщил о показателях синхронизации губ SyncNet примерно 6,8–7,4 для 1.6 против около 6,5 для 1.5 (реальные съёмки: 7,05). Неофициальные данные.
Из фото в говорящее видео: где авторы применяют модель
Говорящие головы на основе аудио раньше были игрушкой для демо. С более длинными дублями и естественными лицами они стали практичным инструментом для всех, кому нужен человек в кадре, произносящий сценарий, — без найма ведущего, аренды студии или съёмки самого себя. Соедините портрет с записанным голосом или дорожкой синтеза речи, и за минуты получите ведущего, преподавателя, рассказчика или вымышленного персонажа. Ниже — сценарии, которые первыми пробуют авторы коротких видео, преподаватели и создатели персонажей.
- Короткие драмы и ИИ-комиксы: реплика за репликой для каждого персонажа, пакетно из сценариев TTS.
- Видео о товарах и магазинах: дружелюбный ведущий рассказывает о продукте или представляет магазин естественным разговорным тоном.
- Курсы и объясняющие видео: десятиминутный лектор, который продолжает жестикулировать и кивать, или озвученные версии на других языках (качество может зависеть от языка).
- Виртуальные ведущие и ИИ-компаньоны: персонаж, который отвечает фанатам или на сообщения в чате видеоответом.
- Говорящие старые фото и картины: подарите семейному портрету или произведению искусства голос для запоминающегося поста.
- Пение и развлечения с синхронизацией губ: модель следует за аудио, поэтому музыкальные клипы стоит попробовать, хотя официально результаты не тестировались.
Длинные уроки и выступления
Превратите целое повествование в одно непрерывное видео с ведущим вместо десятков коротких клипов.
Диалоги для драм
Дайте двум персонажам собственные голосовые дорожки и получите сцену диалога с естественными реакциями.
Виртуальные ведущие
Сохраняйте одно лицо на протяжении целой серии выпусков, видео о товарах или ответов фанатам.
Беседы вдвоём, интервью и дуэты
Один из самых интересных режимов LongCat-Video-Avatar 1.6 — видео с несколькими людьми. Дайте модели изображение с двумя людьми и отдельную аудиодорожку для каждого, и она анимирует того, кто говорит, пока второй слушает и реагирует. Это открывает форматы, для которых раньше требовались два актёра: интервью в стиле подкаста, ссора пары в короткой драме, комедийный дуэт, ролевая игра учителя и ученика или ведущий, беседующий с гостем. Поскольку стабильность длинных видео сохраняется, такие диалоги могут длиться минутами, а не ограничиваться одним обменом репликами.
Хороший приём — делать сцену простой: два человека лицом друг к другу или рядом, оба лица хорошо видны, а в промпте указано, кто говорит первым. Затем запишите или сгенерируйте два голоса отдельно и выстройте их в естественный диалог с небольшими паузами между репликами.
Шаблоны промптов для естественных говорящих видео
Главное, что нужно помнить при написании промптов для LongCat-Video-Avatar 1.6: аудио определяет, что говорит человек, а текстовый промпт — как выглядит кадр. Описывайте дистанцию камеры, настроение, жесты и освещение, но никогда не сами реплики. Для длинных видео сохраняйте одинаковое описание человека в каждом сегменте, чтобы персонаж не «дрейфовал». Эти шаблоны охватывают любимые форматы: меняйте детали, сохраняя структуру.
- Ведущая: молодая женщина в светлой студии, средний план, тепло говорит в камеру, естественные жесты рук, мягкий дневной свет, неподвижная камера.
- Рассказ о продукте: мужчина с чашкой кофе у стойки кафе, улыбается, объясняет продукт с живой мимикой, малая глубина резкости.
- Лекция: профессор у доски, спокойный тон, время от времени кивает и указывает жестами, статичный кадр со штатива.
- Диалог: двое друзей сидят на диване лицом друг к другу, сначала говорит человек слева, затем отвечает человек справа, непринуждённое освещение гостиной.
- Певица: певица на небольшой сцене, выразительное лицо, мягко покачивается в ритм, тёплый прожектор.
- Кокетливый монолог (18+): взрослая вымышленная женщина в бикини на пляже на закате, кокетливая улыбка, тихо говорит в камеру, лёгкий ветерок в волосах.
Загрузка с Hugging Face, ComfyUI, INT8, GGUF и Mac MLX
Если вы любите запускать всё сами, веса можно бесплатно скачать с Hugging Face и ModelScope, а код находится в репозитории LongCat-Video на GitHub. Команда не публиковала официальных требований к памяти, но предлагает вариант INT8 только для весов для более лёгких конфигураций, а сообщество действует быстро: есть пакеты ComfyUI (включая пакет от Comfy-Org), сборка ComfyUI для 1.6, конвертации INT8 и файлы GGUF из линейки 1.5 для видеокарт с небольшим объёмом VRAM.
Для владельцев Mac есть конвертация под Apple MLX. Её автор сообщает, что на M5 Max с 64 ГБ памяти каждый 3,7-секундный сегмент в 480p занимает около восьми минут при пиковом потреблении около 47 ГБ, так что десятиминутное видео — работа на всю ночь. Поэтому многие авторы предпочитают браузерный инструмент для быстрых идей, а локальные запуски оставляют для финальных длинных дублей.
Открытые модели говорящих аватаров в 2026 году: альтернатива HeyGen и OmniHuman?
Сервисы аватаров по подписке, такие как HeyGen, OmniHuman и Kling Avatar, отполированы, но ограничивают длину роликов, берут плату поминутно и модерируют загружаемое. Модель Meituan — та открытая альтернатива, которую многие ждали: бесплатные веса под лицензией MIT, дубли длиннее десяти минут и оценка предпочтений людей, которая в тесте разработчиков превосходит HeyGen и Kling Avatar 2.0. Среди других открытых вариантов — Kandinsky S2V, анимирующая всё тело по текстовым промптам, и MultiTalk для сцен с несколькими людьми. Подвох любой открытой модели — железо: длинным видео нужен мощный GPU или много терпения.
Создайте говорящее видео с персонажем 18+ в Spicy AI
В карточке официального релиза не описан встроенный фильтр контента, а версии без цензуры, дообученной сообществом, пока нет; сегодня модель используют, запуская её локально со своими изображениями взрослых персонажей. Для более быстрого пути в браузере студия «изображение в видео» от Spicy AI анимирует любой портрет вымышленного персонажа 18+ — от игривого монолога в бикини до шёпотного приветствия в стиле ASMR или ответа виртуальной девушки.
- 1Создайте или загрузите портрет взрослого вымышленного персонажа; для начала попробуйте образ в купальнике или белье, сделанный в редакторе изображений.
- 2Опишите, как персонаж говорит и двигается: улыбка, наклон к камере, подмигивание, мягкий свет.
- 3Сгенерируйте ролик, а при монтаже добавьте собственную озвучку или дорожку TTS.
Для наилучшего результата учитывайте эти советы по исходным материалам:
- Используйте чёткий фронтальный портрет с хорошо освещённым лицом, не закрытым руками или волосами.
- Используйте чистую речь без фоновой музыки; официальное руководство для 1.5 советует audio CFG 3–5 при локальном запуске.
- Сохраняйте одинаковое описание персонажа во всех сегментах, чтобы длинные видео оставались последовательными.
Оживите портрет персонажа 18+ прямо в браузере, без GPU.
Начать: изображение в видео →Самостоятельный запуск LongCat Avatar 1.6 или генерация онлайн в Spicy AI
| Локальное развёртывание (официальные веса) | Spicy AI онлайн | |
|---|---|---|
| Фильтрация контента | Нет онлайн-фильтра при самостоятельном запуске | Контент для взрослых (18+) разрешён |
| Открытые веса | Да, лицензия MIT на Hugging Face | Неприменимо, работает онлайн |
| Фактически используемая модель | LongCat Avatar 1.6 (avatar-v1.6) | Собственные видеомодели Spicy AI |
| Цена | Веса бесплатны, вы платите за GPU | Бесплатный старт, кредиты для большего |
- Локально: синхронизация губ по вашему аудио, дубли более десяти минут, полный контроль.
- Spicy AI: анимация портрета в браузере, без железа и настройки.
Часто задаваемые вопросы
Что это за модель?
Это модель говорящих видеоаватаров с открытыми весами, выпущенная командой Meituan LongCat 15 ноября 2026 года. Она превращает портрет (или текстовое описание) и речь в говорящее видео и поддерживает режимы для одного человека, нескольких людей и длинного продолжения.
Чем 1.6 лучше, чем 1.5?
Синхронизация губ точнее, мимика и движения головы или тела согласованнее, преувеличенные формы рта и слишком красные губы встречаются реже, а ошибки в длинных видео накапливаются меньше. Команда утверждает, что модель может работать дольше десяти минут, а инференс в целом стал быстрее.
Какой длины могут быть видео?
Команда сообщает о более чем десяти минутах со стабильным качеством и внешностью. Модель наращивает видео сегмент за сегментом; например, сборка сообщества для Mac создаёт сегменты по 93 кадра длиной около 3,7 секунды каждый.
Какое железо нужно для локального запуска?
Официальных данных о памяти не опубликовано. Есть вариант INT8 только для весов, на GPU Hopper рекомендуется FlashAttention 3, а версия MLX от сообщества на M5 Max с 64 ГБ достигала пика около 47 ГБ. Большинству обычных пользователей проще будет онлайн-инструмент.
Работает ли она в ComfyUI?
В репозитории на GitHub официальные узлы ComfyUI не указаны, но на Hugging Face размещены пакет Comfy-Org, сборка ComfyUI для 1.6 от сообщества и файлы GGUF из линейки 1.5.
Есть ли версия без цензуры?
К 20 ноября 2026 года версии без цензуры, дообученной сообществом, не появилось. Веса запускаются локально, а в карточке модели фильтр контента не описан. Во взрослом контенте допускаются только вымышленные персонажи 18+ или люди, давшие согласие.
Как она соотносится с HeyGen или OmniHuman?
В собственной оценке команды с участием людей она заняла второе место из шести систем, уступив OmniHuman-2.0 и опередив HeyGen и Kling Avatar 2.0. Её главные преимущества — открытые веса и очень длинные дубли.
Источники
- Карточка модели LongCat-Video-Avatar-1.6 (Hugging Face)
- Репозиторий meituan-longcat/LongCat-Video (GitHub)
- Страница проекта LongCat-Video-Avatar 1.6
- Технический отчёт LongCat-Video-Avatar 1.6 (PDF)
- Технический отчёт LongCat-Video (arXiv 2510.22200)
- Карточка модели LongCat-Video-Avatar-1.5 (Hugging Face)
- LongCat-Video-Avatar 1.6 на ModelScope
- Пакет LongCat-Video-Avatar от Comfy-Org (Hugging Face)
- Конвертация MLX bf16 для Mac от сообщества (Hugging Face)
Другие гиды по видеомоделям без цензуры
- Kandinsky S2V 1.0 Pro без цензуры
- Kling без цензуры
- Kling 2.6 без цензуры
- Kling O1 без цензуры
- Sora без цензуры
- Veo без цензуры
- Hailuo AI без цензуры
- MiniMax H3 Max без цензуры
- Wan без цензуры
- Wan 3.0 без цензуры
- Seedance без цензуры
- Seedance 2.5 без цензуры
- Seedance 2.0 без цензуры
- Seedance 2.0 Mini без цензуры
- HunyuanVideo без цензуры
- LTX Video без цензуры
- Runway без цензуры
- Pika без цензуры
- Luma Dream Machine без цензуры
- Vidu без цензуры
- PixVerse без цензуры
- EdenLive без цензуры
- UniAVC без цензуры
- Grok Imagine без цензуры
- AI Avatars без цензуры
- HappyHorse 1.0 без цензуры
- MiniMax H3 FL2VA Ref2VA без цензуры
- Kling 4.0 без цензуры
- Kling 3.0 без цензуры
- MiniMax H3 RefMods без цензуры
- Kandinsky 6.0 без цензуры
- Looking Ahead без цензуры
- TaoMate-H3 без цензуры
- SANA-Video 2.0 без цензуры
- MiniMax H3 Remix без цензуры
- Sora 2 без цензуры
- Wan 2.6 без цензуры
- LTX-2.5 Slow Motion без цензуры
- LTX-2.5 Cinemagraph без цензуры
- VDN MiniMax H3 без цензуры
- Hy-Nomas без цензуры
- Seedance 1.5 Pro без цензуры
- Pika H3 Flex без цензуры
- Veo 3.1 без цензуры
- MiniMax H3 x Z-Image без цензуры
- Origami-H3 без цензуры
- Wan 2.6 Flash без цензуры
Spicy AI — независимый сайт, не связанный с Meituan или командой LongCat. Весь контент должен касаться только взрослых (18+); не анимируйте реальных людей без их согласия.