Aller au contenu
ReviewRamble

La lettre hebdomadaire

L’IA, évaluée, dans votre boîte mail.

  • Les nouveaux tests d’outils, de modèles, de serveurs MCP et de dépôts, avec le verdict en premier
  • Les prix et les notes revérifiés quand quelque chose change
  • Les nouvelles analyses dès leur publication

Modèles, agents, serveurs MCP et les outils qui méritent vraiment votre temps.

Un e-mail par semaine. Désinscrivez-vous avec le lien présent dans chaque lettre. Comment nous utilisons votre e-mail

LongCat-Video-Avatar 1.6

Le modèle d'avatars parlants de Meituan, sous licence MIT, transforme une photo et une piste vocale en vidéo synchronisée sur les lèvres de plus de 10 minutes.

Avis de ReviewRamble editors · Mis à jour

Visiter LongCat-Video-Avatar 1.6 Open source

Partager cette page :XLinkedInFacebookRedditWhatsAppE-mail

Notre note

3.8/5

LongCat-Video-Avatar 1.6 est le modèle ouvert de têtes parlantes à battre, à condition d'avoir deux GPU et de ne pas avoir besoin d'une API hébergée.

Qu’est-ce que LongCat-Video-Avatar 1.6 ?

LongCat-Video-Avatar 1.6 est le modèle ouvert de Meituan pour la vidéo de personnes pilotée par l'audio, publié sur Hugging Face le 13 novembre 2026. À partir d'une piste vocale et d'une photo de référence ou d'un prompt texte, il génère une ou plusieurs personnes qui parlent ou chantent, la bouche, le visage et le corps bougeant au rythme du son, et il peut prolonger une vidéo segment par segment. Selon Meituan, la 1.6 réduit les mouvements de bouche crispés ou trop rouges ainsi que l'erreur qui s'accumule au fil des longues générations, si bien que les clips peuvent dépasser 10 minutes tout en conservant l'identité et la structure du corps.

Il repose sur la base LongCat-Video de 13,6 milliards de paramètres, figée et partagée avec la version 1.5, plus deux adaptateurs LoRA de 2,35 Go chacun qui font tourner ensemble un échantillonneur à 8 étapes. Le transformer en BF16 pèse environ 30 Go et une nouvelle version INT8 facultative environ 15 Go ; un mode FP8 nécessite le Transformer Engine de NVIDIA. Les démos officielles tournent sur 2 GPU avec parallélisme de contexte.

Les poids et le code sont sous licence MIT. Comfy-Org a reconditionné les poids pour ComfyUI le 18 novembre, et un pack de nœuds communautaire les fait tourner, la prise en charge dans le cœur de ComfyUI étant encore en revue.

LongCat-Video-Avatar 1.6 vaut-il le coup ?

LongCat-Video-Avatar 1.6 est l'option ouverte la plus solide pour la vidéo longue de têtes parlantes et, comme la version 1.5 avant lui, il est sous licence MIT. Dans l'étude de préférences menée par Meituan, sur 33 051 votes, il est 2e sur six systèmes avec 1068,1 Elo, derrière OmniHuman-2.0 à 1236,7 et devant HeyGen à 906,4 et Kling Avatar 2.0 à 854,7.

Ces chiffres appellent deux réserves. C'est Meituan qui a mené l'étude, et personne ne l'a reproduite ; et le gain par rapport à la version 1.5, à 1051,8, n'est que d'environ 16 points. Le vrai changement de la 1.6 est l'endurance : des clips de plus de 10 minutes sans dérive du visage ni du corps, ce dont ont besoin un cours, une présentation de produit ou une interview doublée.

Le hic : c'est un pipeline de recherche, pas un service. La recette officielle tourne sur 2 GPU, le transformer seul occupe environ 30 Go en BF16 ou 15 Go en INT8, et Meituan ne publie ni résolution de sortie, ni fréquence d'images, ni besoin en VRAM. Meituan ne propose pas d'API hébergée, et la prise en charge dans ComfyUI repose sur un reconditionnement et un nœud communautaire tant que le support officiel n'est pas intégré. Les utilisateurs doivent aussi penser au consentement : il anime n'importe quel visage à partir d'une seule photo.

Notre avis : OmniHuman-2.0 rend encore mieux, mais LongCat 1.6 est celui que vous pouvez faire tourner sur votre propre matériel et diffuser sans négocier de licence. Pour une équipe de formation dotée de GPU et d'heures de narration, la différence est grande.

Là où il fait la différence

  • Un organisme de cours en ligne disposant de 40 heures de narration enregistrée

    Montrer un présentateur constant dans chaque leçon sans tournage

    Associez une photo validée d'un présentateur consentant à l'audio de chaque leçon et générez des segments continus de 10 minutes ou plus sur deux GPU internes ; le coût se limite au temps GPU, sans redevance à la minute.

  • Un studio de localisation qui double des interviews en espagnol et en japonais

    Resynchroniser les lèvres des intervenants sur la piste doublée

    Fournissez une image de chaque intervenant et l'audio doublé, avec le mode multipersonne pour les scènes à deux ; vérifiez la zone de la bouche sur les longues prises avant livraison.

Avant de vous engager

Mise en route
Clonez meituan-longcat/LongCat-Video, installez PyTorch, FlashAttention et les dépendances de l'avatar, téléchargez les poids de LongCat-Video et d'Avatar-1.6, puis lancez les démos torchrun sur 2 GPU.
Intégrations
Pipeline Python avec diffusers et transformers ; reconditionnement ComfyUI de Comfy-Org avec un pack de nœuds communautaire ; portage MLX communautaire pour Apple Silicon.
Données et confidentialité
Tout tourne sur votre propre matériel : photos et pistes vocales restent en local ; comme il anime n'importe quel visage à partir d'une photo, recueillez le consentement des personnes représentées.
Coût à grande échelle
Ni licence ni redevance à la minute ; le coût est le temps GPU sur au moins 2 GPU pour la recette officielle, avec INT8 ou FP8 pour réduire la mémoire.
Limites
Résolution de sortie, fréquence d'images et besoins en VRAM non publiés ; les modes INT8 et FP8 ne se combinent pas ; les premières exécutions avec compilation sont plus lentes.

Les points forts

  • Poids et code sous licence MIT, sans limite régionale ni de chiffre d'affaires
  • Clips de têtes parlantes de plus de 10 minutes sans dérive d'identité
  • 2e sur six dans l'étude de Meituan, devant HeyGen et Kling Avatar 2.0

Les points faibles

  • Le benchmark est celui de Meituan ; le gain sur la 1.5 est d'environ 16 points
  • Les démos officielles exigent 2 GPU ; résolution, fréquence d'images et VRAM non publiées
  • Pas d'API hébergée ; prise en charge dans ComfyUI uniquement via reconditionnement et nœuds communautaires

Idéal pour

Les équipes dotées de leurs propres GPU qui ont besoin de longues vidéos de présentateur ou de cours synchronisées sur les lèvres, sous une licence permissive.

Alternatives à LongCat-Video-Avatar 1.6

LongCat-Video-Avatar 1.6 : questions fréquentes

LongCat-Video-Avatar 1.6 vaut-il le coup ?
LongCat-Video-Avatar 1.6 est le modèle ouvert de têtes parlantes à battre, à condition d'avoir deux GPU et de ne pas avoir besoin d'une API hébergée. Nous lui donnons 3.8 sur 5.
Combien coûte LongCat-Video-Avatar 1.6 ?
Poids et code gratuits sous licence MIT ; aucune API hébergée chez Meituan.
Quels sont les inconvénients de LongCat-Video-Avatar 1.6 ?
Le benchmark est celui de Meituan ; le gain sur la 1.5 est d'environ 16 points; les démos officielles exigent 2 GPU ; résolution, fréquence d'images et VRAM non publiées; pas d'API hébergée ; prise en charge dans ComfyUI uniquement via reconditionnement et nœuds communautaires.
À qui s’adresse LongCat-Video-Avatar 1.6 ?
Les équipes dotées de leurs propres GPU qui ont besoin de longues vidéos de présentateur ou de cours synchronisées sur les lèvres, sous une licence permissive.
Combien coûte LongCat-Video-Avatar 1.6 pour une équipe ou en production ?
Ni licence ni redevance à la minute ; le coût est le temps GPU sur au moins 2 GPU pour la recette officielle, avec INT8 ou FP8 pour réduire la mémoire.
LongCat-Video-Avatar 1.6 est-il sûr pour les données de l’entreprise ?
Tout tourne sur votre propre matériel : photos et pistes vocales restent en local ; comme il anime n'importe quel visage à partir d'une photo, recueillez le consentement des personnes représentées.
Quelles sont les meilleures alternatives à LongCat-Video-Avatar 1.6 ?
Les alternatives les plus proches que nous avons testées sont LongCat-Video, HeyGen Video 1, MiniMax H3 (Hailuo 3.0), HyperFlow H3 et LTX-2.5.

Réponses vérifiées le 21 nov. 2026.