Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

LongCat-Video-Avatar 1.6

Meituans MIT-lizenziertes Modell für sprechende Avatare macht aus einem Foto und einer Sprachspur lippensynchrones Video von über 10 Minuten.

Getestet von ReviewRamble editors · Aktualisiert

Diese Seite teilen:XLinkedInFacebookRedditWhatsAppE-Mail

Unsere Bewertung

3.8/5

LongCat-Video-Avatar 1.6 ist das offene Modell für sprechende Köpfe, an dem sich andere messen müssen, sofern du zwei GPUs hast und keine gehostete API brauchst.

Was ist LongCat-Video-Avatar 1.6?

LongCat-Video-Avatar 1.6 ist Meituans offenes Modell für audiogesteuerte Videos von Menschen, am 13. November 2026 auf Hugging Face veröffentlicht. Aus einer Sprachspur und entweder einem Referenzfoto oder einem Text-Prompt erzeugt es eine oder mehrere Personen, die sprechen oder singen, wobei sich Mund, Gesicht und Körper zum Ton bewegen, und es kann ein Video Abschnitt für Abschnitt fortsetzen. Laut Meituan verringert 1.6 angestrengt wirkende oder zu rote Mundbewegungen und den Fehler, der sich bei langen Generierungen aufbaut, sodass Clips über 10 Minuten laufen können und Identität und Körperbau erhalten bleiben.

Es baut auf der LongCat-Video-Basis mit 13,6 Milliarden Parametern auf, eingefroren und mit Version 1.5 geteilt, dazu kommen zwei LoRA-Adapter mit je 2,35 GB, die zusammen einen 8-Schritt-Sampler betreiben. Der Transformer in BF16 ist etwa 30 GB groß, eine neue optionale INT8-Version etwa 15 GB; ein FP8-Modus braucht NVIDIAs Transformer Engine. Die offiziellen Demos laufen auf 2 GPUs mit Kontextparallelität.

Gewichte und Code stehen unter MIT-Lizenz. Comfy-Org hat die Gewichte am 18. November für ComfyUI neu verpackt, ein Node-Paket aus der Community führt sie aus, die Unterstützung im ComfyUI-Kern ist noch in Prüfung.

Lohnt sich LongCat-Video-Avatar 1.6?

LongCat-Video-Avatar 1.6 ist die stärkste offene Option für lange Videos mit sprechenden Köpfen und steht wie schon Version 1.5 unter MIT-Lizenz. In Meituans eigener Präferenzstudie mit 33.051 Stimmen liegt es mit 1068,1 Elo auf Platz 2 von sechs Systemen, hinter OmniHuman-2.0 mit 1236,7 und vor HeyGen mit 906,4 und Kling Avatar 2.0 mit 854,7.

Zu diesen Zahlen gehören zwei Einschränkungen. Meituan hat die Studie selbst durchgeführt, und niemand hat sie wiederholt; und der Zugewinn gegenüber Version 1.5 mit 1051,8 beträgt nur etwa 16 Punkte. Die eigentliche Neuerung von 1.6 ist die Ausdauer: Clips über 10 Minuten, ohne dass Gesicht oder Körper abdriften. Genau das braucht eine Vorlesung, eine Produktführung oder ein synchronisiertes Interview.

Der Haken: Das ist eine Forschungspipeline, kein Dienst. Das offizielle Rezept läuft auf 2 GPUs, allein der Transformer belegt etwa 30 GB in BF16 oder 15 GB in INT8, und Meituan nennt weder Ausgabeauflösung noch Bildrate noch VRAM-Bedarf. Eine gehostete API von Meituan gibt es nicht, und die ComfyUI-Unterstützung hängt an einer Neuverpackung und einem Community-Node, bis die Kernunterstützung kommt. Wer es nutzt, sollte auch an die Einwilligung denken: Es animiert jedes Gesicht anhand eines einzigen Fotos.

Unser Fazit: OmniHuman-2.0 sieht noch besser aus, aber LongCat 1.6 kannst du auf eigener Hardware betreiben und ohne Lizenzverhandlung einsetzen. Für ein Schulungsteam mit GPUs und stundenlanger Sprecheraufnahme ist das ein großer Unterschied.

Wo es sich lohnt

  • Ein Anbieter von Onlinekursen mit 40 Stunden aufgezeichneter Sprecherstimme

    In jeder Lektion denselben Präsentator zeigen, ohne zu drehen

    Kombiniere ein freigegebenes Foto eines einverstandenen Präsentators mit dem Ton jeder Lektion und erzeuge auf zwei eigenen GPUs durchgehende Abschnitte von 10 Minuten oder mehr; es kostet GPU-Zeit, ohne Lizenzgebühr pro Minute.

  • Ein Lokalisierungsstudio, das Interviews ins Spanische und Japanische synchronisiert

    Die Lippen der Sprecher an die synchronisierte Tonspur anpassen

    Gib ein Standbild jedes Sprechers und die synchronisierte Tonspur ein und nutze für Szenen mit zwei Personen den Mehrpersonenmodus; prüfe bei langen Takes vor der Abgabe den Mundbereich.

Bevor du dich festlegst

Einrichtung
Klone meituan-longcat/LongCat-Video, installiere PyTorch, FlashAttention und die Avatar-Abhängigkeiten, lade die Gewichte von LongCat-Video und Avatar-1.6 herunter und starte die torchrun-Demos auf 2 GPUs.
Integrationen
Python-Pipeline mit diffusers und transformers; ComfyUI-Neuverpackung von Comfy-Org mit einem Community-Node-Paket; MLX-Portierung aus der Community für Apple Silicon.
Daten und Datenschutz
Läuft vollständig auf deiner eigenen Hardware, Fotos und Sprachspuren bleiben also lokal; da es jedes Gesicht anhand eines Fotos animiert, hol die Einwilligung der dargestellten Personen ein.
Kosten im großen Maßstab
Keine Lizenz- oder Minutengebühr; es kostet GPU-Zeit auf mindestens 2 GPUs für das offizielle Rezept, mit INT8 oder FP8 lässt sich Speicher sparen.
Grenzen
Ausgabeauflösung, Bildrate und VRAM-Bedarf nicht veröffentlicht; INT8- und FP8-Modus lassen sich nicht kombinieren; erste Läufe mit Kompilierung sind langsamer.

Was gut ist

  • MIT-lizenzierte Gewichte und Code, ohne regionale oder umsatzbezogene Grenzen
  • Clips mit sprechenden Köpfen über 10 Minuten ohne Identitätsdrift
  • Platz 2 von sechs in Meituans Studie, vor HeyGen und Kling Avatar 2.0

Was nicht

  • Der Benchmark stammt von Meituan selbst; der Zugewinn gegenüber 1.5 beträgt etwa 16 Punkte
  • Offizielle Demos brauchen 2 GPUs; Auflösung, Bildrate und VRAM nicht veröffentlicht
  • Keine gehostete API; ComfyUI-Unterstützung nur über Neuverpackung und Community-Nodes

Am besten für

Teams mit eigenen GPUs, die lange, lippensynchrone Präsentations- oder Vorlesungsvideos unter einer freizügigen Lizenz brauchen.

Alternativen zu LongCat-Video-Avatar 1.6

LongCat-Video-Avatar 1.6: häufige Fragen

Lohnt sich LongCat-Video-Avatar 1.6?
LongCat-Video-Avatar 1.6 ist das offene Modell für sprechende Köpfe, an dem sich andere messen müssen, sofern du zwei GPUs hast und keine gehostete API brauchst. Wir bewerten es mit 3.8 von 5.
Was kostet LongCat-Video-Avatar 1.6?
Gewichte und Code kostenlos unter MIT-Lizenz; keine gehostete API von Meituan.
Welche Nachteile hat LongCat-Video-Avatar 1.6?
Der Benchmark stammt von Meituan selbst; der Zugewinn gegenüber 1.5 beträgt etwa 16 Punkte; Offizielle Demos brauchen 2 GPUs; Auflösung, Bildrate und VRAM nicht veröffentlicht; Keine gehostete API; ComfyUI-Unterstützung nur über Neuverpackung und Community-Nodes.
Für wen eignet sich LongCat-Video-Avatar 1.6?
Teams mit eigenen GPUs, die lange, lippensynchrone Präsentations- oder Vorlesungsvideos unter einer freizügigen Lizenz brauchen.
Was kostet LongCat-Video-Avatar 1.6 für ein Team oder im Produktivbetrieb?
Keine Lizenz- oder Minutengebühr; es kostet GPU-Zeit auf mindestens 2 GPUs für das offizielle Rezept, mit INT8 oder FP8 lässt sich Speicher sparen.
Ist LongCat-Video-Avatar 1.6 sicher für Firmendaten?
Läuft vollständig auf deiner eigenen Hardware, Fotos und Sprachspuren bleiben also lokal; da es jedes Gesicht anhand eines Fotos animiert, hol die Einwilligung der dargestellten Personen ein.
Was sind die besten Alternativen zu LongCat-Video-Avatar 1.6?
Die nächsten Alternativen, die wir getestet haben, sind LongCat-Video, HeyGen Video 1, MiniMax H3 (Hailuo 3.0), HyperFlow H3 und LTX-2.5.

Antworten geprüft am 21. Nov. 2026.