LongCat-Video-Avatar 1.6とは?
LongCat-Video-Avatar 1.6は、音声で人物動画を動かすMeituanのオープンモデルで、2026年11月13日にHugging Faceで公開されました。音声トラックと、リファレンス写真またはテキストプロンプトを与えると、1人または複数の人物が話したり歌ったりする動画を生成し、口、顔、体が音声に合わせて動きます。動画をセグメントごとに続けて生成することもできます。Meituanによると、1.6では不自然に力んだ口の動きや赤すぎる口元、長い生成で蓄積する誤差が減り、人物の同一性と体の構造を保ったまま10分を超えるクリップを作れます。
ベースは136億パラメータのLongCat-Videoで、凍結したままバージョン1.5と共有しています。これに各2.35 GBのLoRAアダプター2つを加え、組み合わせて8ステップのサンプラーを動かします。BF16のtransformerは約30 GB、新たに用意されたオプションのINT8版は約15 GBです。FP8モードにはNVIDIAのTransformer Engineが必要です。公式デモはコンテキスト並列で2基のGPU上で動きます。
重みとコードはMITライセンスです。Comfy-Orgが11月18日にComfyUI向けに重みを再パッケージし、コミュニティのノードパックでそれを動かせます。ComfyUI本体での対 応はまだレビュー中です。
LongCat-Video-Avatar 1.6は使う価値があるか?
LongCat-Video-Avatar 1.6は、長尺のトーキングヘッド動画で最も有力なオープンの選択肢で、前のバージョン1.5と同じくMITライセンスです。Meituan自身による33,051票の選好調査では、6システム中1068.1 Eloで2位につけ、1236.7のOmniHuman-2.0に次ぎ、906.4のHeyGenと854.7のKling Avatar 2.0を上回りました。
この数字には2つ注意があります。調査はMeituanが実施したもので、誰も追試していません。また、1051.8だったバージョン1.5からの向上は約16ポイントにすぎません。1.6の本当の変化は持続力です。顔や体が崩れずに10分を超えるクリップを作れることで、講義、製品の紹介、吹き替えたインタビューに必要なのはまさにそれです。
注意点:これはサービスではなく研究用のパイプラインです。公式の手順は2基のGPUで動き、transformerだけでBF16なら約30 GB、INT8なら15 GBを占めます。Meituanは出力解像度、フレームレート、VRAMの数値を公開していません。Meituanによるホスト型APIはなく、ComfyUIでの利用は、本体の対応が入るまで再パッケージ版とコミュニティのノードに頼ることになります。利用者は同意についても考えるべきです。写真1枚からどんな顔でも動かせるからです。
結論:見た目ではまだOmniHuman-2.0が上ですが、LongCat 1.6は自前のハードウェアで動かし、ライセンス交渉なしで公開できるモデルです。GPUと何時間ものナレーションを抱える研修チームにとって、その差は大きいです。
真価を発揮する場面
40時間分のナレーション録音を持つオンライン講座の会社
撮影なしで、すべてのレッスンに同じプレゼンターを登場させる
同意を得たプレゼンターの承認済み写真1枚と各レッスンの音声を組み合わせ、社内のGPU2基で10分以上の連続したセグメントを生成します。費用はGPU時間だけで、分単位のライセンス料はかかりません。
インタビューをスペイン語と日本語に吹き替えるローカライズスタジオ
話し手の口の動きを吹き替え音声に合わせ直す
各話し手のフレーム1枚と吹き替え音声を入力し、2人の場面では複数人物モードを使います。長いテイクは納品前に口元を確認してください。
導入前に確認すること
- 導入
- meituan-longcat/LongCat-Videoをクローンし、PyTorch、FlashAttention、アバター用の依存パッケージをインストールして、LongCat-VideoとAvatar-1.6の重みをダウンロードし、2基のGPUでtorchrunのデモを実行します。
- 連携
- diffusersとtransformersを使うPythonパイプライン、コミュニティのノードパックを使うComfy-OrgのComfyUI再パッケージ版、Apple Silicon向けのコミュニティによるMLX移植版。
- データとプライバシー
- すべて自分のハードウェアで動くため、写真や音声トラックは手元に留まります。写真1枚からどんな顔でも動かせるので、映す人物からは同意を得てください。
- 大規模利用時のコスト
- ライセンス料も分単 位の料金もありません。費用は公式手順で最低2基のGPUの使用時間で、INT8やFP8でメモリを減らせます。
- 制限
- 出力解像度、フレームレート、必要VRAMは非公開。INT8とFP8のモードは併用不可。コンパイルを伴う初回実行は遅くなります。
良い点
- 重みとコードはMITライセンスで、地域や売上による制限がない
- 人物の同一性を崩さずに10分を超えるトーキングヘッドのクリップ
- Meituanの調査で6システム中2位、HeyGenとKling Avatar 2.0を上回る
気になる点
- ベンチマークはMeituan自身のもので、1.5からの向上は約16ポイント
- 公式デモにはGPUが2基必要で、解像度、フレームレート、VRAMは非公開
- ホスト型APIがなく、ComfyUI対応は再パッケージ版とコミュニティのノードのみ
おすすめの人
自前のGPUを持ち、寛容なライセンスで、口の動きが同期した長尺のプレゼンター動画や講義動画を必要とするチーム。
LongCat-Video-Avatar 1.6の代替
LongCat-Video-Avatar 1.6:よくある質問
- LongCat-Video-Avatar 1.6は使う価値があるか?
- LongCat-Video-Avatar 1.6は、GPUが2基あり、ホスト型APIが不要であれば、オープンなトーキングヘッドモデルの本命です。 評価は5点満点中3.8点です。
- LongCat-Video-Avatar 1.6の料金は?
- 重みとコードはMITライセンスで無料。Meituanによるホスト型APIはありません。
- LongCat-Video-Avatar 1.6の欠点は?
- ベンチマークはMeituan自身のもので、1.5からの向上は約16ポイント; 公式デモにはGPUが2基必要で、解像度、フレームレート、VRAMは非公開; ホスト型APIがなく、ComfyUI対応は再パッケージ版とコミュニティのノードのみ.
- LongCat-Video-Avatar 1.6は誰に向いているか?
- 自前のGPUを持ち、寛容なライセンスで、口の動きが同期した長尺のプレゼンター動画や講義動画を必要とするチーム。
- チームや本番 環境でLongCat-Video-Avatar 1.6を使うと費用はいくらか?
- ライセンス料も分単位の料金もありません。費用は公式手順で最低2基のGPUの使用時間で、INT8やFP8でメモリを減らせます。
- LongCat-Video-Avatar 1.6は企業データを扱っても安全か?
- すべて自分のハードウェアで動くため、写真や音声トラックは手元に留まります。写真1枚からどんな顔でも動かせるので、映す人物からは同意を得てください。
- LongCat-Video-Avatar 1.6の代わりになるものは?
- 当サイトでレビューした中で最も近い代替はLongCat-Video, HeyGen Video 1, MiniMax H3 (Hailuo 3.0), HyperFlow H3 、 LTX-2.5です。
回答確認日:2026年11月21日