Meituan ha publicado LongCat-Video-Avatar 1.6, una actualización de su marco de código abierto para la generación de video impulsada por audio. Esta versión 1.6 mejora la naturalidad de la animación labial, la sincronización de labios con el audio y la consistencia visual en videos de más de 10 minutos, mitigando la acumulación de errores en la generación autoregresiva. El modelo incorpora optimizaciones de inferencia end-to-end para acelerar el despliegue y ofrece una evaluación humana que lo sitúa en segundo lugar entre seis sistemas comparados, con un Elo score de 1068.1, por detrás de OmniHuman-2.0 pero por delante de HeyGen y Kling Avatar 2.0. La herramienta permite la generación de video a partir de audio o texto, soporta múltiples caracteres y ofrece opciones de cuantización (FP8/INT8) y atención flash para GPUs Hopper. Los usuarios pueden instalar el modelo mediante pip, utilizar entornos de Jupyter en Google Colab o Kaggle, o ejecutarlo localmente con optimizaciones de compilación y paralelización multi-GPU. El proyecto incluye adapters LoRA específicos para tareas de denoising y documentación técnica detallada para su integración en pipelines de difusión.
