LongCat Avatar en ComfyUI hace algo que muchos nos piden: tomas una foto, agregas una pista de voz y obtienes un video en el que la persona habla, con los labios sincronizados. La versión 1.6 de Meituan salió el 13 de noviembre con licencia MIT, y el 18 de noviembre Comfy-Org publicó los archivos listos para ComfyUI. Todavía no hay un nodo oficial, pero un paquete de la comunidad ya lo hace funcionar.
¿Qué opinamos? Hasta ahora los avatares que hablan eran sobre todo cosa de servicios en línea de pago, como HeyGen, y lo online tiene sus ventajas reales: subes, esperas, descargas. Pero para un video tutorial, una presentación o un personaje animado que tiene que hablar dos minutos, pagar por segundo sale caro muy rápido. Nosotros trabajamos casi siempre en local con una RTX 3060 de 12 GB, y LongCat 1.6 todavía no la hemos probado en esa tarjeta. Aquí ordenamos lo que está confirmado, qué archivo elegir según tu memoria de video y dónde están los límites.
| Qué es | Un modelo que genera videos de personas hablando a partir de audio, foto y/o texto |
| Quién lo creó | El equipo LongCat de Meituan (China) |
| Memoria de video necesaria | no declarada; el archivo del modelo va de 8,8 GB (W4A8) a 29,5 GB (bf16) |
| ¿Funciona en una RTX 3060 de 12 GB? | no declarado; en teoría solo la versión W4A8 tiene el tamaño adecuado, pero todavía no hay ninguna prueba |
| Licencia | MIT (pesos); el paquete de nodos de la comunidad es GPL-3.0 |
| Uso comercial | sí, la licencia MIT no pone límites geográficos ni comerciales |
| Dónde descargarlo | Hugging Face: repositorio oficial de Meituan y repack de Comfy-Org |
| Gratis o de pago | gratis, funciona en tu PC |
¿Qué es LongCat Video Avatar 1.6 y qué cambia?
LongCat Video Avatar 1.6 es un modelo de video "guiado por audio": es la voz la que decide cómo se mueven la boca, la cara y el cuerpo. Puedes partir de una foto más el audio, o solo de un texto más el audio, y el video puede seguir por partes hasta superar los 10 minutos. Frente a la 1.5, la ficha oficial en Hugging Face indica tres mejoras:
- labios más naturales, con menos boca exagerada y menos temblores de un fotograma a otro;
- videos largos más estables, porque los errores no se acumulan en cada segmento;
- generación más rápida: 8 pasos en total, los primeros 4 con una LoRA "DMD" y los otros 4 con una LoRA "OPSD" (dos archivos pequeños que aceleran el modelo; por eso se llaman versiones destiladas).
Meituan también publica una prueba de preferencia con 33.051 votos: LongCat 1.6 queda segunda de seis, detrás de OmniHuman-2.0 y por delante de HeyGen, Kling Avatar 2.0 y su propia versión 1.5. La prueba la hizo quien creó el modelo, así que tómala como una pista y no como un veredicto. Los ejemplos están en la página del proyecto.
¿Cómo se usa LongCat Avatar en ComfyUI?
Por ahora se usa con el paquete de la comunidad LongCat Avatar Native, que se instala desde el Manager de ComfyUI. El soporte oficial está en camino: el 18 de noviembre Kijai abrió un cambio en ComfyUI con un nodo LongCatAvatarToVideo que maneja de uno a tres hablantes, pero al 20 de noviembre todavía no se ha aprobado.
El paquete agrega cuatro nodos: uno carga el modelo, otro convierte la voz en datos para el modelo (usa Whisper, el reconocedor de voz de OpenAI) y dos generan el video. El primero es la versión destilada de 8 pasos, la que usarás casi siempre; el segundo es la versión base de 50 pasos, mucho más lenta, que también sigue el prompt de texto. El video se crea en bloques de 93 fotogramas, y cada bloque arranca desde los últimos 13 del anterior: así la duración sigue la de la voz.
Si nunca instalaste un paquete de nodos, en nuestra guía de introducción a ComfyUI encontrarás el Manager, las carpetas de modelos y los primeros workflows explicados paso a paso.
¿Cuánta VRAM necesita LongCat Avatar 1.6?
Nadie lo ha declarado, así que hay que razonar con el tamaño de los archivos. El modelo principal existe en cuatro versiones, que cambian según la cuantización (la precisión con la que se guardan los números del modelo: menos precisión, archivo más pequeño, calidad un poco más baja):
- bf16, la versión completa: 29,5 GB;
- int8: 14,9 GB, es la del repack oficial de Comfy-Org;
- W6A8: 12,3 GB;
- W4A8: 8,8 GB.
Las dos últimas están en un mirror de la comunidad, no en el repositorio oficial. El autor del paquete midió el error frente a la versión completa: 1,4 % para int8, 2,1 % para W6A8 y 6,4 % para W4A8. En una tarjeta gráfica de 12 GB como nuestra RTX 3060, la W4A8 es la única que deja algo de espacio libre; con 16 GB puedes ir por la int8. Además necesitas el codificador de texto umT5 (5,3 GB en int8), Whisper (cerca de 1,2 GB) y el VAE de Wan 2.1, que ComfyUI puede pasar a la RAM de la PC cuando no los usa.
Sobre la velocidad hay un solo dato, y es en una RTX 4090 de 24 GB: a 768x512 unos 5,1 segundos por paso, y un video de 10,1 segundos (253 fotogramas) en unos 162 segundos. En una 3060 los tiempos serán bastante más largos. De RAM del sistema el paquete usa 6,5–8 GB, así que con 32 GB vas holgado.
¿Se puede usar LongCat Avatar para trabajar?
Sí: los pesos se publican con licencia MIT, una de las más abiertas, sin exclusiones para Europa ni para otras regiones. No da derechos sobre las marcas o patentes de Meituan, pero para los videos que generes no hay restricciones. El código del paquete de nodos es GPL-3.0, algo que afecta a quien lo modifica y lo redistribuye, no a quien lo usa para producir videos.
El límite real es otro: la foto y la voz tienen que ser tuyas o de alguien que te dio permiso. Hacer hablar a una persona real sin su consentimiento es un problema legal, diga lo que diga la licencia del modelo.
Para probar ya
- Actualiza ComfyUI, busca "LongCat Avatar Native" en el Manager y reinicia.
- Descarga el modelo en la versión adecuada para tu tarjeta (W4A8 para 12 GB, int8 para 16 GB o más) en models/diffusion_models, las dos LoRA en models/loras, umT5 en models/text_encoders, Whisper en models/audio_encoders y el VAE de Wan 2.1 en models/vae.
- Prepara una voz limpia: el paquete no separa la voz de la música, así que nada de pistas de fondo. Si solo tienes un archivo mezclado, separa antes la voz con un programa específico.
- Usa una foto frontal, bien iluminada y ya en el formato final (horizontal o vertical): un recorte equivocado es la causa más común de labios desincronizados.
- Haz la primera prueba a 768x512 con 10 segundos de audio, con el nodo destilado de 8 pasos. Si funciona, alarga el audio.
Nuestra opinión: si necesitas un narrador o un personaje que hable en un video, LongCat 1.6 es lo primero que probaríamos en local, justamente por la licencia MIT. Para las escenas con dos personas, en cambio, esperaríamos el nodo oficial.
Si entre un bloque y otro notas pequeños saltos de luz, el nodo que contamos en el artículo sobre cómo quitar el parpadeo de los videos con IA con Deflicker puede ayudar. Para comparar LongCat con los otros modelos de video, incluidos los que también generan audio, tienes nuestra guía de modelos de IA para video en ComfyUI.
Otras novedades
- ComfyUI 0.46.0 salió el 18 de noviembre: lleva PAN 2, el nodo Video Deflicker y los nodos Kling 4.0 Image a la versión estable. Atención si usas una tarjeta AMD en Windows: se eliminó el soporte DirectML (notas de la versión).
- PAN 2, el "world model" de 29 mil millones de parámetros de MBZUAI, ahora se carga con los nodos estándar de ComfyUI. El archivo int8 pesa 26,7 GB, así que es para tarjetas de gama alta (archivos en Hugging Face).
- MOSS-Image en 4 pasos: el 19 de noviembre salió una LoRA de la comunidad que lleva MOSS-Image de 50 a 4 pasos, con licencia Apache-2.0 (página del modelo).
Preguntas frecuentes
¿LongCat Avatar funciona con voz en español?
No hay una lista oficial de idiomas. El modelo lee el audio con Whisper large-v3, que también reconoce el español, y mueve los labios según los sonidos, no según las palabras escritas. En teoría el idioma importa poco, pero nadie ha publicado todavía pruebas en español: conviene hacer una prueba de pocos segundos.
¿Pueden hablar dos personas en la misma escena?
El modelo sí: Meituan ofrece scripts para varias personas, y el nodo oficial que viene maneja de uno a tres hablantes. El paquete de la comunidad, en cambio, por ahora trabaja con una sola voz, porque la parte para dos hablantes todavía no se ha llevado a ComfyUI. Para escenas a dos conviene esperar el nodo oficial.
¿Qué diferencia hay con HeyGen?
HeyGen es un servicio en línea: subes foto y texto, pagas y recibes el video, sin necesidad de tarjeta gráfica. LongCat funciona en tu PC, es gratis y no tiene límites de duración, pero tienes que instalar todo y tener suficiente VRAM. En la prueba de Meituan LongCat 1.6 sale preferida frente a HeyGen, pero es una comparación hecha por Meituan.
¿Qué significa W4A8?
Es un tipo de cuantización: los pesos del modelo se guardan con 4 bits y los cálculos intermedios (las activaciones) con 8 bits. El archivo queda mucho más pequeño y cabe en tarjetas con menos memoria, a cambio de algo de precisión. Para LongCat el error medido es del 6,4 % frente a la versión completa.
Si quieres entender cuándo conviene lo local y cuándo lo online, lo contamos en la comparación IA en local o en línea. Y en nuestro canal de YouTube @tutorial3d encontrarás los videos con los workflows gratuitos para descargar.










