Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

LongCat-Video-Avatar 1.6

El modelo de avatares parlantes de Meituan, con licencia MIT, convierte una foto y una pista de voz en vídeo con sincronización labial de más de 10 minutos.

Reseña de ReviewRamble editors · Actualizado

Visitar LongCat-Video-Avatar 1.6 Código abierto

Comparte esta página:XLinkedInFacebookRedditWhatsAppCorreo

Nuestra nota

3.8/5

LongCat-Video-Avatar 1.6 es el modelo abierto de cabezas parlantes a batir, siempre que tengas dos GPU y no necesites una API alojada.

¿Qué es LongCat-Video-Avatar 1.6?

LongCat-Video-Avatar 1.6 es el modelo abierto de Meituan para vídeo de personas guiado por audio, publicado en Hugging Face el 13 de noviembre de 2026. A partir de una pista de voz y de una foto de referencia o un prompt de texto, genera a una o varias personas hablando o cantando, con la boca, la cara y el cuerpo moviéndose al ritmo del audio, y puede continuar un vídeo segmento a segmento. Meituan dice que la 1.6 reduce los movimientos de boca forzados o demasiado rojos y el error que se acumula en las generaciones largas, de modo que los clips pueden superar los 10 minutos manteniendo la identidad y la estructura del cuerpo.

Se apoya en la base LongCat-Video de 13.600 millones de parámetros, congelada y compartida con la versión 1.5, más dos adaptadores LoRA de 2,35 GB cada uno que juntos ejecutan un muestreador de 8 pasos. El transformer en BF16 ocupa unos 30 GB y una nueva versión INT8 opcional unos 15 GB; un modo FP8 requiere el Transformer Engine de NVIDIA. Las demos oficiales se ejecutan en 2 GPU con paralelismo de contexto.

Los pesos y el código tienen licencia MIT. Comfy-Org reempaquetó los pesos para ComfyUI el 18 de noviembre, y un paquete de nodos de la comunidad los ejecuta, mientras el soporte en el núcleo de ComfyUI sigue en revisión.

¿Merece la pena LongCat-Video-Avatar 1.6?

LongCat-Video-Avatar 1.6 es la opción abierta más sólida para vídeo largo de cabezas parlantes y, como la versión 1.5, tiene licencia MIT. En el estudio de preferencias de la propia Meituan, con 33.051 votos, es 2.º de seis sistemas con 1068,1 Elo, por detrás de OmniHuman-2.0 con 1236,7 y por delante de HeyGen con 906,4 y Kling Avatar 2.0 con 854,7.

Esas cifras merecen dos matices. El estudio lo hizo Meituan y nadie lo ha repetido; y la mejora respecto a la versión 1.5, con 1051,8, es de solo unos 16 puntos. El cambio real de la 1.6 es la resistencia: clips de más de 10 minutos sin que la cara o el cuerpo se deformen, que es lo que necesita una clase, un recorrido por un producto o una entrevista doblada.

La pega: es un pipeline de investigación, no un servicio. La receta oficial se ejecuta en 2 GPU, solo el transformer ocupa unos 30 GB en BF16 o 15 GB en INT8, y Meituan no publica resolución de salida, tasa de fotogramas ni cifra de VRAM. Meituan no ofrece API alojada, y el soporte en ComfyUI depende de un reempaquetado y de un nodo de la comunidad hasta que llegue el soporte oficial. Quien lo use debería pensar también en el consentimiento: anima cualquier cara a partir de una sola foto.

Nuestra opinión: OmniHuman-2.0 sigue viéndose mejor, pero LongCat 1.6 es el que puedes ejecutar en tu propio hardware y publicar sin negociar una licencia. Para un equipo de formación con GPU y horas de narración, es una gran diferencia.

Dónde se gana su sitio

  • Una empresa de cursos online con 40 horas de narración grabada

    Poner en pantalla un presentador coherente en cada lección sin rodar

    Combina una foto aprobada de un presentador que haya dado su consentimiento con el audio de cada lección y genera segmentos continuos de 10 minutos o más en dos GPU propias; el coste es el tiempo de GPU, sin cuota de licencia por minuto.

  • Un estudio de localización que dobla entrevistas al español y al japonés

    Volver a sincronizar los labios de los hablantes con la pista doblada

    Introduce un fotograma de cada hablante y el audio doblado, con el modo multipersona para escenas de dos personas; revisa la zona de la boca en las tomas largas antes de entregar.

Antes de decidirte

Puesta en marcha
Clona meituan-longcat/LongCat-Video, instala PyTorch, FlashAttention y los requisitos del avatar, descarga los pesos de LongCat-Video y Avatar-1.6 y ejecuta las demos con torchrun en 2 GPU.
Integraciones
Pipeline de Python con diffusers y transformers; reempaquetado de Comfy-Org para ComfyUI con un paquete de nodos de la comunidad; port MLX de la comunidad para Apple Silicon.
Datos y privacidad
Funciona por completo en tu propio hardware, así que las fotos y las pistas de voz no salen de tu equipo; como anima cualquier cara a partir de una foto, recoge el consentimiento de las personas que representes.
Coste a escala
Sin licencia ni cuota por minuto; el coste es el tiempo de GPU en al menos 2 GPU con la receta oficial, con INT8 o FP8 para reducir memoria.
Límites
Resolución de salida, tasa de fotogramas y necesidades de VRAM no publicadas; los modos INT8 y FP8 no se pueden combinar; las primeras ejecuciones con compilación son más lentas.

Lo bueno

  • Pesos y código con licencia MIT, sin límites regionales ni de ingresos
  • Clips de cabeza parlante de más de 10 minutos sin pérdida de identidad
  • 2.º de seis en el estudio de Meituan, por delante de HeyGen y Kling Avatar 2.0

Lo malo

  • La prueba comparativa es de la propia Meituan; la mejora sobre la 1.5 es de unos 16 puntos
  • Las demos oficiales necesitan 2 GPU; sin datos publicados de resolución, tasa de fotogramas ni VRAM
  • Sin API alojada; soporte en ComfyUI solo mediante reempaquetado y nodos de la comunidad

Ideal para

Equipos con GPU propias que necesitan vídeo largo de presentadores o clases con sincronización labial y una licencia permisiva.

Alternativas a LongCat-Video-Avatar 1.6

LongCat-Video-Avatar 1.6: preguntas frecuentes

¿Merece la pena LongCat-Video-Avatar 1.6?
LongCat-Video-Avatar 1.6 es el modelo abierto de cabezas parlantes a batir, siempre que tengas dos GPU y no necesites una API alojada. Le damos un 3.8 sobre 5.
¿Cuánto cuesta LongCat-Video-Avatar 1.6?
Pesos y código gratuitos bajo licencia MIT; Meituan no ofrece API alojada.
¿Qué inconvenientes tiene LongCat-Video-Avatar 1.6?
La prueba comparativa es de la propia Meituan; la mejora sobre la 1.5 es de unos 16 puntos; las demos oficiales necesitan 2 GPU; sin datos publicados de resolución, tasa de fotogramas ni VRAM; sin API alojada; soporte en ComfyUI solo mediante reempaquetado y nodos de la comunidad.
¿Para quién es LongCat-Video-Avatar 1.6?
Equipos con GPU propias que necesitan vídeo largo de presentadores o clases con sincronización labial y una licencia permisiva.
¿Cuánto cuesta LongCat-Video-Avatar 1.6 para un equipo o en producción?
Sin licencia ni cuota por minuto; el coste es el tiempo de GPU en al menos 2 GPU con la receta oficial, con INT8 o FP8 para reducir memoria.
¿Es LongCat-Video-Avatar 1.6 seguro para los datos de la empresa?
Funciona por completo en tu propio hardware, así que las fotos y las pistas de voz no salen de tu equipo; como anima cualquier cara a partir de una foto, recoge el consentimiento de las personas que representes.
¿Cuáles son las mejores alternativas a LongCat-Video-Avatar 1.6?
Las alternativas más cercanas que hemos analizado son LongCat-Video, HeyGen Video 1, MiniMax H3 (Hailuo 3.0), HyperFlow H3 y LTX-2.5.

Respuestas comprobadas el 21 nov 2026.