Аватар на основе аудио · Открытые веса

LongCat-Video-Avatar 1.6 без цензуры: одно фото, один голос и десять минут говорящего видео

Спросить ИИ ▾

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
Заставить персонажа говорить →
Говорящий аватар в стиле LongCat-Video-Avatar 1.6: взрослая женщина выступает перед камерой в светлой студии

Альтернативный генератор видео без цензуры

Изображение в видео

Начните 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.

Сначала добавьте портрет — ролик анимируется на его основе.

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 1.5Версия 1.6
Выпуск21 мая 2026 г.15 ноября 2026 г.
Движения ртаИногда преувеличенные, красноватые губыМягче, естественнее, меньше мерцания
Длинные видеоСо временем накапливается дрейфБолее 10 минут со стабильной внешностью (по заявлению команды)
Скорость8-шаговое дистиллированное семплирование8 шагов: сначала смесь DMD + OPSD, затем только OPSD
Предпочтения людей (Elo)Ниже1068,1, 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.

Двое взрослых персонажей оживлённо беседуют на диване, как в сцене говорящего видео на двоих

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.

  1. 1Создайте или загрузите портрет взрослого вымышленного персонажа; для начала попробуйте образ в купальнике или белье, сделанный в редакторе изображений.
  2. 2Опишите, как персонаж говорит и двигается: улыбка, наклон к камере, подмигивание, мягкий свет.
  3. 3Сгенерируйте ролик, а при монтаже добавьте собственную озвучку или дорожку TTS.

Для наилучшего результата учитывайте эти советы по исходным материалам:

  1. Используйте чёткий фронтальный портрет с хорошо освещённым лицом, не закрытым руками или волосами.
  2. Используйте чистую речь без фоновой музыки; официальное руководство для 1.5 советует audio CFG 3–5 при локальном запуске.
  3. 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 →
Взрослая женщина в бикини на пляже на закате тихо говорит в камеру — кокетливый монолог персонажа

Самостоятельный запуск LongCat Avatar 1.6 или генерация онлайн в Spicy AI

Локальное развёртывание (официальные веса)Spicy AI онлайн
Фильтрация контентаНет онлайн-фильтра при самостоятельном запускеКонтент для взрослых (18+) разрешён
Открытые весаДа, лицензия MIT на Hugging FaceНеприменимо, работает онлайн
Фактически используемая модельLongCat Avatar 1.6 (avatar-v1.6)Собственные видеомодели Spicy AI
ЦенаВеса бесплатны, вы платите за GPUБесплатный 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

Все ИИ-модели 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.

Sign in

Welcome to Spicy AI

or