LongCat Avatar in ComfyUI fa una cosa che in tanti ci chiedono: prendi una foto, aggiungi una traccia vocale e ottieni un video in cui la persona parla, con le labbra a tempo. La versione 1.6 di Meituan è uscita il 13 novembre con licenza MIT, e il 18 novembre Comfy-Org ha pubblicato i file già pronti per ComfyUI. Un nodo ufficiale ancora non c'è, ma un pacchetto della comunità lo fa girare da subito.
Come la pensiamo? Gli avatar parlanti finora erano soprattutto roba da servizi online a pagamento, tipo HeyGen, e l'online ha i suoi vantaggi reali: carichi, aspetti, scarichi. Però per un video tutorial, una presentazione o un personaggio animato che deve parlare per due minuti, pagare a secondo diventa caro in fretta. Noi lavoriamo quasi sempre in locale su una RTX 3060 da 12 GB, e LongCat 1.6 non l'abbiamo ancora provata su quella scheda. Qui mettiamo in fila cosa è confermato, quale file scegliere in base alla memoria video e dove sono i limiti.
| Cos'è | Un modello che genera video di persone che parlano a partire da audio, foto e/o testo |
| Chi l'ha creato | Il team LongCat di Meituan (Cina) |
| Memoria video richiesta | non dichiarata; il file del modello va da 8,8 GB (W4A8) a 29,5 GB (bf16) |
| Gira su una RTX 3060 da 12 GB? | non dichiarato; sulla carta solo la versione W4A8 ha le dimensioni giuste, ma non c'è ancora nessuna prova |
| Licenza | MIT (pesi); il pacchetto di nodi della comunità è GPL-3.0 |
| Uso commerciale dall'Italia | sì, la licenza MIT non mette limiti geografici né commerciali |
| Dove scaricarlo | Hugging Face: repository ufficiale Meituan e repack di Comfy-Org |
| Gratis o a pagamento | gratis, gira sul tuo PC |
Cos'è LongCat Video Avatar 1.6 e cosa cambia?
LongCat Video Avatar 1.6 è un modello di video "guidato dall'audio": è la voce a decidere come si muovono bocca, viso e corpo. Si può partire da una foto più l'audio, oppure solo da un testo più l'audio, e il video può continuare a pezzi fino a superare i 10 minuti. Rispetto alla 1.5, la scheda ufficiale su Hugging Face indica tre miglioramenti:
- labbra più naturali, con meno bocca esagerata e meno tremolii da un fotogramma all'altro;
- video lunghi più stabili, perché gli errori non si accumulano a ogni segmento;
- generazione più veloce: 8 passi in tutto, i primi 4 con una LoRA "DMD" e gli altri 4 con una LoRA "OPSD" (due piccoli file che accelerano il modello, dette versioni distillate).
Meituan pubblica anche un test di preferenza con 33.051 voti: LongCat 1.6 arriva seconda su sei, dietro OmniHuman-2.0 e davanti a HeyGen, Kling Avatar 2.0 e alla sua versione 1.5. È un test fatto da chi ha creato il modello, quindi va preso come indicazione e non come verdetto. Gli esempi sono sulla pagina del progetto.
Come si usa LongCat Avatar in ComfyUI?
Per ora si usa con il pacchetto della comunità LongCat Avatar Native, che si installa dal Manager di ComfyUI. Il supporto ufficiale è in arrivo: Kijai ha aperto il 18 novembre una modifica a ComfyUI con un nodo LongCatAvatarToVideo che gestisce da uno a tre speaker, ma al 20 novembre non è ancora stata approvata.
Il pacchetto aggiunge quattro nodi: uno carica il modello, uno trasforma la voce in dati per il modello (usa Whisper, il riconoscitore vocale di OpenAI), e due generano il video. Il primo è la versione distillata a 8 passi, quella da usare quasi sempre; il secondo è la versione base a 50 passi, molto più lenta, che segue anche il prompt di testo. Il video viene creato a blocchi di 93 fotogrammi, e ogni blocco riparte dagli ultimi 13 del precedente: così la durata segue quella della voce.
Se non hai mai installato un pacchetto di nodi, nella nostra guida introduttiva a ComfyUI trovi Manager, cartelle dei modelli e primi workflow spiegati passo per passo.
Quanta VRAM serve per LongCat Avatar 1.6?
Nessuno l'ha dichiarato, quindi bisogna ragionare sulle dimensioni dei file. Il modello principale esiste in quattro versioni, che cambiano per la quantizzazione (la precisione con cui sono salvati i numeri del modello: meno precisione, file più piccolo, qualità un po' più bassa):
- bf16, la versione piena: 29,5 GB;
- int8: 14,9 GB, è quella del repack ufficiale di Comfy-Org;
- W6A8: 12,3 GB;
- W4A8: 8,8 GB.
Le ultime due sono in un mirror della comunità, non nel repository ufficiale. L'autore del pacchetto ha misurato l'errore rispetto alla versione piena: 1,4% per int8, 2,1% per W6A8 e 6,4% per W4A8. Su una scheda video da 12 GB come la nostra RTX 3060, la W4A8 è l'unica che lascia un po' di spazio libero; con 16 GB si può puntare alla int8. Servono poi l'encoder di testo umT5 (5,3 GB in int8), Whisper (circa 1,2 GB) e il VAE di Wan 2.1, che ComfyUI può spostare nella RAM del PC quando non li usa.
Sulla velocità c'è un solo dato, ed è su una RTX 4090 da 24 GB: a 768x512 circa 5,1 secondi per passo, e un video di 10,1 secondi (253 fotogrammi) in circa 162 secondi. Su una 3060 i tempi saranno parecchio più lunghi. Di RAM di sistema il pacchetto ne usa 6,5–8 GB, quindi con 32 GB si sta larghi.
Si può usare LongCat Avatar per lavoro?
Sì: i pesi sono rilasciati con licenza MIT, una delle più aperte, senza esclusioni per l'Europa o per l'Italia. Non dà diritti sui marchi o i brevetti di Meituan, ma per i video che generi non ci sono vincoli. Il codice del pacchetto di nodi è GPL-3.0, cosa che riguarda chi lo modifica e lo ridistribuisce, non chi lo usa per produrre video.
Il limite vero è un altro: la foto e la voce devono essere tue o di qualcuno che ti ha dato il permesso. Far parlare una persona reale senza consenso è un problema legale, a prescindere dalla licenza del modello.
Da provare subito
- Aggiorna ComfyUI e dal Manager cerca "LongCat Avatar Native", poi riavvia.
- Scarica il modello nella versione adatta alla tua scheda (W4A8 per 12 GB, int8 per 16 GB o più) in models/diffusion_models, le due LoRA in models/loras, umT5 in models/text_encoders, Whisper in models/audio_encoders e il VAE di Wan 2.1 in models/vae.
- Prepara una voce pulita: il pacchetto non separa la voce dalla musica, quindi niente basi sotto. Se hai solo un file mixato, separa prima la voce con un programma apposito.
- Usa una foto frontale, ben illuminata e già nel formato finale (orizzontale o verticale): il ritaglio sbagliato è la causa più comune di labbra fuori tempo.
- Fai la prima prova a 768x512 con 10 secondi di audio, con il nodo distillato a 8 passi. Se funziona, allunga l'audio.
Il nostro parere: se ti serve un narratore o un personaggio che parla in un video, LongCat 1.6 è la prima cosa che proveremmo in locale, proprio per la licenza MIT. Per le scene con due persone, invece, aspetteremmo il nodo ufficiale.
Se tra un blocco e l'altro noti piccoli sbalzi di luce, il nodo che abbiamo raccontato nell'articolo su come togliere lo sfarfallio dai video AI con Deflicker può aiutare. Per confrontare LongCat con gli altri modelli video, compresi quelli che generano anche l'audio, c'è la nostra guida ai modelli AI per video in ComfyUI.
Le altre novità
- ComfyUI 0.46.0 è uscito il 18 novembre: porta PAN 2, il nodo Video Deflicker e i nodi Kling 4.0 Image nella versione stabile. Attenzione se usi una scheda AMD su Windows: è stato tolto il supporto DirectML (note di rilascio).
- PAN 2, il "world model" da 29 miliardi di parametri di MBZUAI, ora si carica con i nodi standard di ComfyUI. Il file int8 pesa 26,7 GB, quindi è roba da schede di fascia alta (file su Hugging Face).
- MOSS-Image in 4 passi: il 19 novembre è uscita una LoRA della comunità che porta MOSS-Image da 50 a 4 passi, con licenza Apache-2.0 (pagina del modello).
Domande frequenti
LongCat Avatar funziona con la voce in italiano?
Non c'è una lista ufficiale di lingue. Il modello legge l'audio con Whisper large-v3, che riconosce anche l'italiano, e muove le labbra in base ai suoni, non alle parole scritte. In teoria la lingua conta poco, ma nessuno ha ancora pubblicato prove in italiano: conviene fare un test di pochi secondi.
Possono parlare due persone nella stessa scena?
Il modello sì: Meituan fornisce script per più persone, e il nodo ufficiale in arrivo gestisce da uno a tre speaker. Il pacchetto della comunità, invece, per ora lavora con una sola voce, perché la parte per due speaker non è ancora stata portata in ComfyUI. Per le scene a due conviene aspettare il nodo ufficiale.
Che differenza c'è con HeyGen?
HeyGen è un servizio online: carichi foto e testo, paghi e ricevi il video, senza bisogno di una scheda video. LongCat gira sul tuo PC, è gratis e non ha limiti di durata, ma devi installare tutto e avere abbastanza VRAM. Nel test di Meituan LongCat 1.6 è preferita a HeyGen, ma è un confronto fatto da Meituan.
Cosa vuol dire W4A8?
È un tipo di quantizzazione: i pesi del modello sono salvati con 4 bit e i calcoli intermedi (le attivazioni) con 8 bit. Il file diventa molto più piccolo e entra in schede con meno memoria, al prezzo di un po' di precisione. Per LongCat l'errore misurato è del 6,4% rispetto alla versione piena.
Se vuoi capire quando conviene il locale e quando l'online, ne parliamo nel confronto AI in locale o online. E sul nostro canale YouTube @tutorial3d trovi i video con i workflow gratuiti da scaricare.









