На двадцатой секунде версия 1.5 выглядит так, будто на губы положили помаду. В версии 1.6 цвет губ по замерам японского блогера держится почти как на исходном фото.
Губы держатся, а рот двигается с голосом почти так же, как в 1.5. Если ролик — это ваш голос на 2–3 минуты, именно эта строка решит, стоит ли ждать рендера.
Речь о LongCat-Video-Avatar от команды Meituan. Модель делает говорящее видео из одного фото и аудиодорожки. Версия 1.6 вышла 15 ноября 2026 года под лицензией MIT. Разбор опирается на японские материалы, техрепорт и данные из досье.
Японец на Mac: 19 минут на 3,7 секунды, и губы не краснеют
Японский блогер гонял модель на Mac M5 Max с 128 ГБ памяти. Имени в материале нет, поэтому пишу «японский блогер».
Условия он выставил жёстко. Одно фото синтетического ведущего, 26,3 секунды японского синтеза речи, одинаковое зерно 42 для обеих версий, веса INT8 от разработчика. Видео сохранялось без потерь, чтобы сжатие не испортило сравнение.
Вывод блогера: «続きを重ねるほど崩れていく見た目» (внешность, которая расползается по мере продолжения) в 1.6 заметно лучше, а «口と声の合い方» (как рот сходится с голосом) почти не изменилась.
По губам это совпадает с тем, что обещает техрепорт Meituan. Там прямо названы слишком красные губы и их нестабильность во времени.
| Показатель | 1.5 | 1.6 | Вывод |
|---|---|---|---|
| Краснота губ: разница с фото (начало → конец) | +3,0 → +11,2 | +0,8 → +2,9 | 1.6 заметно лучше |
| Чёткость лица (начало = 100) | 100 → 128 | 100 → 102 | 1.6 держит внешность |
| Крупное открытие рта (верхние 5%) | 0,147 | 0,111 | 1.6 спокойнее |
| Связь движения рта и громкости голоса | 0,233 | 0,235 | почти одинаково |
| Скачок на стыке отрезков (к обычному кадру) | 0,9× | 1,6× | у 1.5 стыки незаметнее |
| Первый отрезок 3,7 с, Mac | около 19,2 мин | около 18,5 мин | почти одинаково |
Если вы ставите 1.6 ради губ, эти три строки — ваш аргумент. Четвёртая не сдвинулась, и её легко пропустить, пока смотришь на лицо.
Пятая строка — неожиданность. На стыках отрезков 1.6 даёт более заметный скачок. Блогер предполагает, что причина в настройках склейки: у 1.6 стоит --mask_frame_range=0, у 1.5 стоит 3.
Синхронизация с голосом не сдвинулась, и это важно для озвучки
- Соответствие рта голосу: корреляция 0,233 у 1.5 против 0,235 у 1.6. Блогер мерил громкость, а не форму губ на «а», «и», «у».
- В строгой проверке разработчиков с замедлением 0,5× результат 83,7% → 82,5%, почти без изменений.
- По японскому тесту разницы в липсинке между версиями не видно. Для русской речи данных нет вообще.
- Корреляция громкости не измеряет фонемы. Рот может открываться в такт звуку и всё равно выглядеть неправильно.
Итог простой: лицо и цвет губ 1.6 держит, а то, похоже ли человек говорит именно вашу фразу, за год почти не сдвинулось.
Если ролик — дикторский текст на 2–3 минуты, 1.6 выигрывает по внешности, но не по артикуляции. Это лучше учесть до старта, пока не ушло время на рендер.
По второму японскому тесту LongCat поплыл, H3 нет
Есть и второй японский материал, и он не нейтральный. Он делает собственный сервис на базе MiniMax H3 (Director и ULL Studio) и сравнивал LongCat со своей длинной генерацией. Одно фото, один голос, около 30 секунд.
Вывод блогера: «うちの H3 の方がずっと良い» (наш H3 намного лучше). Версия LongCat в материале не названа, так что вывод может относиться к 1.5, а не к 1.6.
- По автору, у LongCat к 21-й секунде губы заметно темнеют, а в конце зубы выглядят неестественно белыми.
- На 29-й секунде, по его словам, поменялась форма щёк и рта. У H3 черты остались близкими к фото.
- В кадре иногда появляется рука по краю кадра.
- По видеопамяти LongCat около 53,5 ГБ, H3 около 36,1 ГБ. Генерация у LongCat заняла больше чем вдвое дольше.
Самое интересное у этого блогера — про язык. Он пишет, что рот LongCat двигается скорее под китайскую речь, чем под японские «あいうえお».
Сам он при этом осторожен: «このモデルは恐らく中国語とかだとバッチリなんだと思います» (думаю, на китайском модель, вероятно, работает отлично). Это его впечатление, замера тут нет. Но вопрос языка стоит задать и русскому креатору.
Итог второго блогера: «新しいから良いというわけでもなく合うということでもないということがよくあります» (новое не значит лучше, и не значит подходящее, так бывает часто).
Через ComfyUI на RTX 4090 ролик 13 секунд уложился в 215 секунд
Третий японский источник — заметка на note про запуск через ComfyUI на RTX 4090 в Windows. Блогер пишет, что Comfy-Org выложил пакет для ComfyUI под MIT, а 19 ноября появился кастомный нод. Квантованная версия весит около 16 ГБ и помещается в 4090.
Без правок один отрезок 3,7 секунды шёл 545 секунд. После двух исправлений, которые в отрывке расписаны не полностью, ролик 13 секунд в вертикали 480×832 получился за 215 секунд. Горизонталь 768×512 — около 210 секунд.
Блогер также проверил повторяемость: три прогона дали совпадающие пиксели по всем 326 кадрам. Длинную речь 39,1 секунды он сделал за 747 секунд, без ручной склейки.
- Веса модели выпущены под MIT, а нод ComfyUI-LongCat-Avatar — под GPL-3.0. Это два разных лицензионных режима, их стоит проверить перед коммерческим использованием.
- На входе фото и аудио любой длины. Модель читает звук кусками, так что длинного ограничения по аудио в этом сценарии нет.
Для дикторских роликов открытая модель на 10+ минут уже рабочий вариант
Но открытая модель при этом быстрой не становится. Mac тратит почти 19 минут на отрезок в 3,7 секунды. На 4090 при правильной настройке картина другая, но это всё равно около 16 секунд рендера на каждую секунду ролика.
- Длинный дикторский сегмент (2–3 минуты, один ведущий): проверять первым, здесь у 1.6 самый явный плюс по лицу и губам.
- Диалог на нескольких спикеров: японские тесты это не разбирали. Модель это заявляет, проверять придётся самому.
- Озвучка на русском: вопрос открыт. Японские замеры губ относятся к японской речи.
- Сравнение с облачными сервисами: выбирать по задаче и бюджету.
Проверить можно на одном фото и одной озвучке
Схема простая и очень похожа на японскую. Берёте одно фото, одну озвучку на 25–30 секунд и прогоняете обе версии с одинаковым зерном. Японский блогер взял 42, это разумный старт.
- Соберите тестовую пару: фото без лишних деталей и аудио с реальной фразой, а не с шумом.
- Запустите 1.5 и 1.6 на одинаковых настройках и сохраняйте без потерь, иначе сжатие съест разницу.
- Смотрите губы после 20-й секунды: цвет, форму и стабильность, а не только «в такт звуку».
- Проверьте край кадра: руки и посторонние предметы, как во втором японском тесте.
- Сравните лицо на первом и последнем кадрах. Если поменялась форма щёк или рта, для длинного ролика это уже проблема.
Подвох: одна сцена, разные лицензии и ни одного русского замера
- Все цифры японского теста сняты на одной сцене, одном фото и одном голосе. Это пример, а не статистика.
- В README команды примеры запуска рассчитаны на две GPU. Минимальной конфигурации в материалах нет. Запуск на Mac и на одной 4090 — путь из личных экспериментов авторов, а не поддерживаемый сценарий.
- По японскому блогу, Whisper в 1.6 не менялся: хеш совпадает с 1.5, хотя страница проекта подаёт его как новое. Веса базовой модели отличаются, но официально это не объяснено.
- По данным alfw.ai, на 16 ноября независимых тестов длинных прогонов не было. Главные цифры — от самой Meituan, включая арену на 33 051 голос, где 1.6 набрала Elo 1068,1 и заняла второе место из шести.
- Второй японский тест написан блогером собственного сервиса. Он заинтересован в сравнении не в пользу конкурента, это стоит учитывать.
Вердикт: смотреть, но не верить на слово
Версия 1.6 действительно лучше удерживает губы и лицо на длинной дистанции. Это подтверждают японский замер и техрепорт, хотя второй — от самих разработчиков.
А вот совпадение рта с голосом не доказано ни одним независимым тестом, и русской речи в этих материалах нет вообще. Значит, перед продакшном нужен свой прогон на своём голосе и своём фото.
Вы уже гоняли LongCat на длинной речи? На двадцатой секунде у вас губы стали как помада или рот разошёлся с голосом?
Источники
LongCat-Video-Avatar 1.6 Technical Report
LongCat-Video-Avatar 1.6: 10-Minute Claim, Own-Test Rank | alfw.ai
Источникnote.com
