Avatar điều khiển bằng âm thanh · Trọng số mở
LongCat-Video-Avatar 1.6 không kiểm duyệt: Một bức ảnh, một giọng nói, mười phút video nói chuyện
Đưa vào một bức chân dung và một bản ghi âm, LongCat-Video-Avatar 1.6 sẽ trả về video người đó đang nói: môi khớp từng âm tiết, gương mặt phản ứng theo ngữ điệu, đầu và vai chuyển động đúng như cách con người thật sự cử động khi nói chuyện. Được đội ngũ Meituan LongCat phát hành ngày 15 tháng 11 năm 2026, bản cập nhật này tập trung vào việc giữ độ chân thực trong thời gian dài, với các đoạn video hơn mười phút vẫn giữ nguyên gương mặt và chất lượng hình ảnh sắc nét theo báo cáo của nhóm. Bên dưới là những thay đổi, cách nhà sáng tạo đang sử dụng, mẹo làm hội thoại hai người, prompt sẵn sàng sao chép và những cách nhanh nhất để dùng thử.
- Ảnh + giọng nói → video
- Cảnh quay hơn 10 phút
- Khớp môi tự nhiên
- Hội thoại hai người
Trình tạo video thay thế không kiểm duyệt
Ảnh thành videoBắt đầu từ một bức chân dung, mô tả cách nhân vật nói, cười và chuyển động, chúng tôi sẽ mở studio chuyển ảnh thành video với mọi thứ đã được điền sẵn. Chủ đề người lớn được chấp nhận khi tất cả nhân vật đều từ 18 tuổi trở lên và là hư cấu hoặc đã đồng ý.
Video nói chuyện mười phút không hề bị vỡ
Ai từng thử avatar nói chuyện bằng AI đều biết vấn đề quen thuộc: vài giây đầu trông rất đẹp, sau đó gương mặt dần biến dạng, miệng bắt đầu nhấp nháy và người trong video không còn giống bức ảnh ban đầu nữa. LongCat-Video-Avatar 1.6 được tạo ra để khắc phục chính điều đó. Mô hình liên tục kéo dài video theo từng đoạn, và nhóm phát triển đã huấn luyện nó trên các chuỗi dài để những sai số nhỏ không còn tích tụ. Tuyên bố của họ đơn giản mà táo bạo: hơn mười phút video với cùng một danh tính, chất lượng hình ảnh ổn định và chuyển động mượt mà.
Với nhà sáng tạo, điều này thay đổi cả quy trình làm việc. Một bài giảng trọn vẹn, một video giới thiệu sản phẩm dài, một tập podcast hay một chương sách nói có thể là một cảnh quay liền mạch thay vì hàng loạt clip mười lăm giây ghép lại trong phần mềm dựng phim. Bạn cũng có thể giữ một nhân vật xuyên suốt cả loạt video: mỗi tuần đưa vào âm thanh mới và cùng một gương mặt tiếp tục nói, đó chính là điều mà người dẫn ảo và các kênh kể chuyện cần nhất.
- Âm thanh + ảnh: tạo chuyển động cho một bức chân dung có sẵn, chế độ phổ biến nhất.
- Âm thanh + văn bản: chưa có ảnh? Hãy mô tả nhân vật và để mô hình tự tạo ra họ.
- Nối tiếp: kéo dài một clip có sẵn bằng phần âm thanh tiếp theo mà vẫn giữ nguyên diện mạo.
- Nhiều người: cung cấp cho mỗi người nói một track âm thanh riêng để tạo cuộc hội thoại.
LongCat Avatar 1.6 so với 1.5: Môi tự nhiên hơn, gương mặt ổn định hơn
Phiên bản 1.5 ra mắt vào tháng 5 năm 2026 và đã được cộng đồng mã nguồn mở yêu thích. Bản mới giữ nguyên mô hình nền và bộ mã hóa âm thanh Whisper-Large, nên các cải tiến đến từ quá trình huấn luyện chứ không phải kiến trúc mới. Những gì bạn thực sự thấy trên màn hình: miệng không còn mấp máy quá mức ở từng chữ, môi không còn đỏ bất thường, ít nhấp nháy quanh miệng hơn và biểu cảm khuôn mặt chuyển động hài hòa cùng đầu và cơ thể. Trong bài kiểm tra mù của chính nhóm với 33.051 phiếu bầu hợp lệ, bản 1.6 xếp thứ hai trong sáu hệ thống, chỉ sau OmniHuman-2.0 mã nguồn đóng và vượt qua 1.5, HeyGen, OmniHuman-1.5 cùng Kling Avatar 2.0. Thứ hạng này là đánh giá của chính nhà phát triển, không phải benchmark độc lập.
| Phiên bản 1.5 | Phiên bản 1.6 | |
|---|---|---|
| Ngày phát hành | 21 tháng 5, 2026 | 15 tháng 11, 2026 |
| Cử động miệng | Đôi khi cường điệu, môi hơi đỏ | Mềm mại, tự nhiên hơn, ít nhấp nháy |
| Video dài | Sai lệch tích tụ theo thời gian | Hơn 10 phút với danh tính ổn định (theo nhóm phát triển) |
| Tốc độ | Lấy mẫu chưng cất 8 bước | 8 bước: trộn DMD + OPSD trước, sau đó chỉ OPSD |
| Mức ưa thích của người dùng (Elo) | Thấp hơn | 1068.1, thứ hai trong sáu hệ thống |
Một người thử nghiệm trong cộng đồng đã chuyển đổi mô hình cho Mac báo cáo điểm khớp môi SyncNet khoảng 6,8–7,4 cho bản 1.6 so với khoảng 6,5 cho bản 1.5 (video thật: 7,05). Số liệu không chính thức.
Từ ảnh thành video nói chuyện: Nhà sáng tạo đang dùng vào đâu
Avatar nói chuyện điều khiển bằng âm thanh từng chỉ là món đồ chơi để demo. Với cảnh quay dài hơn và gương mặt tự nhiên hơn, chúng đã trở thành công cụ thực tế cho bất kỳ ai cần một người trên màn hình đọc kịch bản mà không phải thuê người dẫn, thuê studio hay tự quay chính mình. Kết hợp một bức chân dung với giọng nói đã ghi âm hoặc track chuyển văn bản thành giọng nói, bạn sẽ có ngay người dẫn chương trình, giáo viên, người kể chuyện hay một nhân vật hư cấu chỉ trong vài phút. Những cảnh dưới đây là những gì người làm video ngắn, nhà giáo dục và người tạo nhân vật đang thử đầu tiên.
- Phim ngắn và truyện tranh AI: cảnh thoại từng câu cho mỗi nhân vật, tạo hàng loạt từ kịch bản TTS.
- Video sản phẩm và cửa hàng: một người dẫn thân thiện giải thích sản phẩm hoặc giới thiệu cửa hàng bằng giọng điệu tự nhiên, gần gũi.
- Khóa học và video giải thích: một giảng viên nói suốt mười phút vẫn liên tục ra hiệu và gật đầu, hoặc các phiên bản lồng tiếng bằng ngôn ngữ khác (chất lượng có thể khác nhau tùy ngôn ngữ).
- Người dẫn ảo và bạn đồng hành AI: một nhân vật trả lời người hâm mộ hoặc tin nhắn trò chuyện bằng video.
- Ảnh cũ và tranh vẽ biết nói: cho một bức ảnh gia đình hay tác phẩm nghệ thuật cất tiếng nói để tạo bài đăng đáng nhớ.
- Hát và nhép môi cho vui: vì mô hình bám theo âm thanh nên rất đáng thử với clip ca nhạc, dù kết quả chưa được kiểm thử chính thức.
Bài giảng và bài nói dài
Biến cả một bài thuyết minh thành một video người dẫn liền mạch thay vì hàng chục clip ngắn.
Hội thoại phim ngắn
Cho hai nhân vật mỗi người một track giọng riêng và nhận được cảnh đối đáp với phản ứng tự nhiên.
Người dẫn ảo
Giữ một gương mặt xuyên suốt cả loạt tập, video sản phẩm hay video trả lời người hâm mộ.
Hội thoại hai người, phỏng vấn và song ca
Một trong những chế độ thú vị nhất của LongCat-Video-Avatar 1.6 là video nhiều người. Đưa cho mô hình một bức ảnh có hai người cùng track âm thanh riêng cho từng người, nó sẽ tạo chuyển động cho người đang nói trong khi người kia lắng nghe và phản ứng. Điều này mở ra những định dạng trước đây cần đến hai diễn viên: phỏng vấn kiểu podcast, cặp đôi cãi nhau trong phim ngắn, màn song tấu hài, đóng vai thầy và trò hay người dẫn trò chuyện với khách mời. Nhờ độ ổn định của video dài, những cuộc hội thoại này có thể kéo dài nhiều phút thay vì chỉ một lượt qua lại.
Một mẹo hay là giữ cảnh quay đơn giản: hai người đối mặt nhau hoặc ngồi cạnh nhau, cả hai gương mặt đều nhìn rõ, và prompt nói rõ ai nói trước. Sau đó ghi âm hoặc tạo hai giọng nói riêng biệt và sắp xếp chúng thành cuộc đối đáp tự nhiên với những khoảng ngừng ngắn giữa các câu.
Mẫu prompt cho video nói chuyện tự nhiên
Điều quan trọng cần nhớ khi viết prompt cho LongCat-Video-Avatar 1.6: âm thanh quyết định người đó nói gì, còn prompt văn bản quyết định cảnh quay trông như thế nào. Hãy mô tả khoảng cách máy quay, tâm trạng, cử chỉ và ánh sáng, đừng bao giờ mô tả lời thoại. Với video dài, hãy giữ nguyên phần mô tả nhân vật ở mọi đoạn để nhân vật không bị sai lệch. Các mẫu sau bao gồm những định dạng được ưa chuộng nhất; hãy thay đổi chi tiết và giữ nguyên cấu trúc.
- Người dẫn: Một phụ nữ trẻ trong studio sáng sủa, cảnh trung, nói chuyện ấm áp với ống kính, cử chỉ tay tự nhiên, ánh sáng ban ngày dịu nhẹ, máy quay cố định.
- Giới thiệu sản phẩm: Một người đàn ông cầm cốc cà phê tại quầy quán, mỉm cười, giải thích sản phẩm với biểu cảm sinh động, độ sâu trường ảnh nông.
- Bài giảng: Một giáo sư đứng trước bảng trắng, giọng điềm tĩnh, thỉnh thoảng gật đầu và chỉ tay, cảnh quay tĩnh trên chân máy.
- Hội thoại: Hai người bạn ngồi trên sofa đối diện nhau, người bên trái nói trước rồi người bên phải đáp lại, ánh sáng phòng khách thường ngày.
- Ca sĩ: Một ca sĩ trên sân khấu nhỏ, gương mặt giàu cảm xúc, nhẹ nhàng đung đưa theo nhịp, đèn spotlight ấm.
- Độc thoại tán tỉnh (18+): Một người phụ nữ hư cấu trưởng thành mặc bikini trên bãi biển hoàng hôn, nụ cười tình tứ, nói nhẹ nhàng với ống kính, làn gió nhẹ thổi qua mái tóc.
Tải từ Hugging Face, ComfyUI, INT8, GGUF và Mac MLX
Nếu bạn thích tự chạy mô hình, trọng số được tải miễn phí từ Hugging Face và ModelScope, còn mã nguồn nằm trong kho GitHub LongCat-Video. Nhóm chưa công bố yêu cầu bộ nhớ chính thức, nhưng có cung cấp tùy chọn INT8 chỉ lượng tử hóa trọng số cho cấu hình nhẹ hơn, và cộng đồng đã vào cuộc rất nhanh: đã có các gói ComfyUI (bao gồm một gói từ Comfy-Org), một bản dựng ComfyUI cho 1.6, các bản chuyển đổi INT8 và file GGUF từ dòng 1.5 cho card ít VRAM.
Người dùng Mac cũng có bản chuyển đổi Apple MLX. Tác giả cho biết trên M5 Max với 64 GB bộ nhớ, mỗi đoạn 3,7 giây ở 480p mất khoảng tám phút và đạt đỉnh gần 47 GB, nên một video mười phút sẽ phải chạy qua đêm. Đó là lý do nhiều nhà sáng tạo thích dùng công cụ trên trình duyệt cho ý tưởng nhanh và để dành việc chạy cục bộ cho các cảnh quay dài cuối cùng.
Các mô hình avatar nói chuyện mã nguồn mở năm 2026: Lựa chọn thay thế HeyGen và OmniHuman?
Các dịch vụ avatar trả phí theo gói như HeyGen, OmniHuman và Kling Avatar rất chỉn chu, nhưng chúng giới hạn độ dài clip, tính phí theo phút và kiểm duyệt nội dung bạn tải lên. Mô hình của Meituan là lựa chọn mở mà nhiều người đã chờ đợi: trọng số miễn phí theo giấy phép MIT, cảnh quay dài hơn mười phút và điểm ưa thích của người dùng, theo thử nghiệm của chính nhà phát triển, vượt qua HeyGen và Kling Avatar 2.0. Các lựa chọn mở khác gồm Kandinsky S2V, tạo chuyển động toàn thân từ prompt văn bản, và MultiTalk cho cảnh nhiều người. Điểm trừ của mọi mô hình mở là phần cứng: video dài cần GPU mạnh hoặc rất nhiều kiên nhẫn.
Tạo video nhân vật nói chuyện 18+ trên Spicy AI
Bản phát hành chính thức không mô tả bộ lọc nội dung tích hợp nào trên model card, và hiện chưa có bản fine-tune không kiểm duyệt nào từ cộng đồng; chạy cục bộ với hình ảnh nhân vật người lớn của riêng bạn là cách mọi người đang sử dụng hiện nay. Để có lối đi nhanh hơn ngay trên trình duyệt, studio chuyển ảnh thành video của Spicy AI có thể tạo chuyển động cho bất kỳ chân dung nhân vật hư cấu 18+ nào, từ màn độc thoại bikini tinh nghịch đến lời chào thì thầm kiểu ASMR hay tin nhắn trả lời của bạn gái ảo.
- 1Tạo hoặc tải lên chân dung một nhân vật hư cấu trưởng thành; hãy thử tạo trước một diện mạo đồ bơi hoặc nội y bằng trình chỉnh sửa ảnh.
- 2Mô tả cách nhân vật nói và chuyển động: một nụ cười, nghiêng người về phía ống kính, nháy mắt, ánh sáng dịu.
- 3Tạo clip, sau đó thêm giọng lồng tiếng của bạn hoặc track TTS khi dựng video.
Để có kết quả đẹp nhất, hãy ghi nhớ những mẹo về dữ liệu đầu vào sau:
- Dùng chân dung sắc nét, nhìn thẳng, gương mặt được chiếu sáng tốt và không bị tay hay tóc che khuất.
- Dùng giọng nói sạch, không có nhạc nền; hướng dẫn chính thức của bản 1.5 đề xuất audio CFG từ 3–5 khi chạy cục bộ.
- Giữ phần mô tả nhân vật giống hệt nhau giữa các đoạn để video dài luôn nhất quán.
Thổi hồn vào chân dung nhân vật 18+ ngay trên trình duyệt, không cần GPU.
Bắt đầu tạo video từ ảnh →Tự triển khai LongCat Avatar 1.6 so với tạo video trực tuyến trên Spicy AI
| Triển khai cục bộ (trọng số chính thức) | Spicy AI trực tuyến | |
|---|---|---|
| Lọc nội dung | Không có bộ lọc trực tuyến khi bạn tự chạy | Cho phép nội dung người lớn (18+) |
| Trọng số mở | Có, giấy phép MIT trên Hugging Face | Không áp dụng, chạy trực tuyến |
| Mô hình thực tế sử dụng | LongCat Avatar 1.6 (avatar-v1.6) | Các mô hình video riêng của Spicy AI |
| Giá | Trọng số miễn phí, bạn trả tiền GPU | Bắt đầu miễn phí, dùng credit để tạo thêm |
- Cục bộ: khớp môi theo âm thanh của riêng bạn, cảnh quay hơn mười phút, toàn quyền kiểm soát.
- Spicy AI: tạo chuyển động cho chân dung ngay trên trình duyệt, không cần phần cứng hay cài đặt.
Câu hỏi thường gặp
Mô hình này là gì?
Đây là mô hình video avatar nói chuyện với trọng số mở, được đội ngũ Meituan LongCat phát hành ngày 15 tháng 11 năm 2026. Nó biến một bức chân dung (hoặc một đoạn mô tả bằng văn bản) cùng giọng nói thành video nói chuyện, hỗ trợ các chế độ một người, nhiều người và nối tiếp video dài.
Bản 1.6 tốt hơn bản 1.5 ở điểm nào?
Khớp môi chính xác hơn, biểu cảm và chuyển động đầu hoặc cơ thể phối hợp nhịp nhàng hơn, khẩu hình cường điệu và môi quá đỏ được giảm bớt, sai số tích tụ ít hơn trong video dài. Nhóm cho biết video có thể dài hơn mười phút và tốc độ suy luận tổng thể nhanh hơn.
Video có thể dài bao lâu?
Nhóm báo cáo hơn mười phút với chất lượng và danh tính ổn định. Mô hình hoạt động bằng cách kéo dài video theo từng đoạn; ví dụ, bản dựng Mac của cộng đồng tạo các đoạn 93 khung hình, mỗi đoạn khoảng 3,7 giây.
Tôi cần phần cứng gì để chạy cục bộ?
Chưa có số liệu bộ nhớ chính thức nào được công bố. Có tùy chọn INT8 chỉ lượng tử hóa trọng số, FlashAttention 3 được khuyến nghị trên GPU Hopper, và phiên bản MLX của cộng đồng đạt đỉnh khoảng 47 GB trên M5 Max 64 GB. Phần lớn người dùng phổ thông sẽ thấy công cụ trực tuyến dễ dùng hơn.
Mô hình có chạy được trong ComfyUI không?
Kho GitHub không liệt kê node ComfyUI chính thức, nhưng Hugging Face có gói của Comfy-Org, một bản dựng ComfyUI 1.6 của cộng đồng và các file GGUF từ dòng 1.5.
Có phiên bản không kiểm duyệt không?
Tính đến ngày 20 tháng 11 năm 2026, chưa có bản fine-tune không kiểm duyệt nào từ cộng đồng. Trọng số chạy cục bộ và model card không mô tả bộ lọc nội dung nào. Nội dung người lớn chỉ được sử dụng nhân vật 18+ hư cấu hoặc đã đồng ý.
Mô hình so với HeyGen hay OmniHuman thế nào?
Trong đánh giá của chính nhóm phát triển với người dùng, mô hình xếp thứ hai trong sáu hệ thống, sau OmniHuman-2.0 và vượt HeyGen cùng Kling Avatar 2.0. Ưu điểm chính của nó là trọng số mở và cảnh quay rất dài.
Nguồn tham khảo
- Model card LongCat-Video-Avatar-1.6 (Hugging Face)
- Kho mã meituan-longcat/LongCat-Video (GitHub)
- Trang dự án LongCat-Video-Avatar 1.6
- Báo cáo kỹ thuật LongCat-Video-Avatar 1.6 (PDF)
- Báo cáo kỹ thuật LongCat-Video (arXiv 2510.22200)
- Model card LongCat-Video-Avatar-1.5 (Hugging Face)
- LongCat-Video-Avatar 1.6 trên ModelScope
- Gói LongCat-Video-Avatar của Comfy-Org (Hugging Face)
- Bản chuyển đổi MLX bf16 cho Mac của cộng đồng (Hugging Face)
Thêm hướng dẫn về các mô hình video không kiểm duyệt
- Kandinsky S2V 1.0 Pro không kiểm duyệt
- Kling không kiểm duyệt
- Kling 2.6 không kiểm duyệt
- Kling O1 không kiểm duyệt
- Sora không kiểm duyệt
- Veo không kiểm duyệt
- Hailuo AI không kiểm duyệt
- MiniMax H3 Max không kiểm duyệt
- Wan không kiểm duyệt
- Wan 3.0 không kiểm duyệt
- Seedance không kiểm duyệt
- Seedance 2.5 không kiểm duyệt
- Seedance 2.0 không kiểm duyệt
- Seedance 2.0 Mini không kiểm duyệt
- HunyuanVideo không kiểm duyệt
- LTX Video không kiểm duyệt
- Runway không kiểm duyệt
- Pika không kiểm duyệt
- Luma Dream Machine không kiểm duyệt
- Vidu không kiểm duyệt
- PixVerse không kiểm duyệt
- EdenLive không kiểm duyệt
- UniAVC không kiểm duyệt
- Grok Imagine không kiểm duyệt
- AI Avatars không kiểm duyệt
- HappyHorse 1.0 không kiểm duyệt
- MiniMax H3 FL2VA Ref2VA không kiểm duyệt
- Kling 4.0 không kiểm duyệt
- Kling 3.0 không kiểm duyệt
- MiniMax H3 RefMods không kiểm duyệt
- Kandinsky 6.0 không kiểm duyệt
- Looking Ahead không kiểm duyệt
- TaoMate-H3 không kiểm duyệt
- SANA-Video 2.0 không kiểm duyệt
- MiniMax H3 Remix không kiểm duyệt
- Sora 2 không kiểm duyệt
- Wan 2.6 không kiểm duyệt
- LTX-2.5 Slow Motion không kiểm duyệt
- LTX-2.5 Cinemagraph không kiểm duyệt
- VDN MiniMax H3 không kiểm duyệt
- Hy-Nomas không kiểm duyệt
- Seedance 1.5 Pro không kiểm duyệt
- Pika H3 Flex không kiểm duyệt
- Veo 3.1 không kiểm duyệt
- MiniMax H3 x Z-Image không kiểm duyệt
- Origami-H3 không kiểm duyệt
- Wan 2.6 Flash không kiểm duyệt
Spicy AI là trang web độc lập và không liên kết với Meituan hay đội ngũ LongCat. Mọi nội dung chỉ được liên quan đến người trưởng thành (18+); không tạo chuyển động cho người thật khi chưa có sự đồng ý của họ.