本文へスキップ
ReviewRamble

週刊ブリーフ

AIのレビューを、あなたの受信箱に。

  • ツール、モデル、MCPサーバー、リポジトリの新しいレビュー(結論を最初に)
  • 変更があったときに再確認した価格と評価
  • 公開された新しい分析記事

モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。

週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について

LongCat-Video-Avatar 1.6

MITライセンスのMeituan製トーキングアバターモデルです。写真1枚と音声トラックから、10分を超える口の動きが同期した動画を作ります。

レビュー: ReviewRamble editors · 更新

LongCat-Video-Avatar 1.6を見る オープンソース

このページを共有:XLinkedInFacebookRedditWhatsAppメール

当サイトの評価

3.8/5

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。

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