@alvim_aiferramentas de IA, testadas
O LongCat Avatar 1.5 é gratuito, com licença aberta (MIT). Você dá uma foto, um áudio e uma descrição da cena, e ele cria um vídeo da pessoa falando: a boca acompanha cada palavra, o corpo se mexe no ritmo da voz e o rosto continua igual do começo ao fim, mesmo em vídeo longo. Roda no seu próprio computador, sem mensalidade, mas exige placa de vídeo NVIDIA. Aqui está tudo num lugar só: o que ele faz, o que precisa, a instalação inteira, os comandos de cada modo e descrições prontas.
git clone --single-branch --branch main https://github.com/meituan-longcat/LongCat-Video cd LongCat-Video
conda create -n longcat-video python=3.10 conda activate longcat-video
pip install torch==2.6.0+cu124 torchvision==0.21.0+cu124 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu124 pip install ninja pip install psutil pip install packaging pip install flash_attn==2.7.4.post1 pip install -r requirements.txt
conda install -c conda-forge librosa conda install -c conda-forge ffmpeg pip install -r requirements_avatar.txt
pip install "huggingface_hub[cli]" huggingface-cli download meituan-longcat/LongCat-Video --local-dir ./weights/LongCat-Video huggingface-cli download meituan-longcat/LongCat-Video-Avatar-1.5 --local-dir ./weights/LongCat-Video-Avatar-1.5
torchrun --nproc_per_node=2 run_demo_avatar_single_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --stage_1=ai2v --input_json=assets/avatar/single_example_1.json --use_distill --model_type avatar-v1.5 --use_int8
torchrun --nproc_per_node=2 run_demo_avatar_single_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --stage_1=ai2v --input_json=assets/avatar/single_example_1.json --num_segments=5 --ref_img_index=10 --mask_frame_range=3 --use_distill --model_type avatar-v1.5 --use_int8
torchrun --nproc_per_node=2 run_demo_avatar_single_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --stage_1=at2v --input_json=assets/avatar/single_example_1.json --use_distill --model_type avatar-v1.5 --use_int8
torchrun --nproc_per_node=2 run_demo_avatar_multi_audio_to_video.py --context_parallel_size=2 --checkpoint_dir=./weights/LongCat-Video-Avatar-1.5 --input_json=assets/avatar/multi_example_1.json --use_distill --model_type avatar-v1.5 --use_int8
{
"prompt": "[DESCRIÇÃO DA CENA, DE PREFERÊNCIA EM INGLÊS]",
"cond_image": "[CAMINHO DA SUA FOTO, EX.: assets/avatar/single/eu.png]",
"cond_audio": {
"person1": "[CAMINHO DO SEU ÁUDIO, EX.: assets/avatar/single/eu.mp3]"
}
}Escreva em inglês, num parágrafo de 4 a 5 frases, a descrição de uma cena para um gerador de vídeo. A pessoa: [COMO VOCÊ É E COMO ESTÁ VESTIDO NA FOTO]. Ela fala direto pra câmera em [LUGAR, EX.: ESCRITÓRIO EM CASA], com luz [TIPO DE LUZ, EX.: NATURAL DA JANELA], enquadrada do peito pra cima. Descreva a expressão do rosto, o gesto das mãos enquanto fala e o fundo. Não coloque texto na tela. Me devolva só o parágrafo.
Um [HOMEM/MULHER] de [IDADE] anos, de [COR DA ROUPA E PEÇA], sentado num escritório em casa com uma estante de livros desfocada atrás. Ele fala direto pra câmera, animado, gesticulando de leve com as mãos, como quem explica uma novidade pra um amigo. Luz natural de janela vindo da esquerda, enquadramento do peito pra cima.
Um professor de [ROUPA] em pé na frente de um quadro branco, numa sala de aula iluminada, explica um assunto com calma. Ele fala olhando pra câmera, às vezes aponta pro quadro atrás dele e volta a olhar pra frente. Movimentos naturais e tranquilos, sem mudar de lugar. Câmera parada, enquadramento da cintura pra cima.Uma pessoa de [ROUPA] em pé numa loja clara e organizada segura [PRODUTO] na altura do peito e fala com entusiasmo pra câmera. Ela vira o produto devagar pra mostrar os detalhes, aponta pra ele com a outra mão e volta a olhar pra câmera. Luz branca e uniforme, prateleiras desfocadas ao fundo, câmera parada na altura dos olhos.
Um [CARGO, EX.: DONO DE LOJA] de [ROUPA SOCIAL] em pé dentro de [LUGAR, EX.: UMA LOJA DE ROUPAS], com prateleiras desfocadas ao fundo. Ele fala com segurança e sorri entre as frases, postura reta, mãos se movendo pouco. Luz suave e quente, câmera fixa, enquadramento do peito pra cima.
Escreva em inglês, num parágrafo de 5 frases, a descrição de uma cena para um gerador de vídeo. Uma pessoa [COMO VOCÊ É] fala animada sobre [SEU PRODUTO OU SERVIÇO], olhando pra câmera, com gestos amplos e expressão empolgada. O cenário é [LUGAR, EX.: LOJA CLARA E ORGANIZADA], com luz forte e colorida. O corpo acompanha o ritmo da fala, como em um vídeo de redes sociais. Me devolva só o parágrafo.
Duas pessoas sentadas lado a lado num sofá, num estúdio de podcast com microfones na frente e luz quente. A pessoa da esquerda, de [ROUPA 1], fala primeiro olhando pra outra. A pessoa da direita, de [ROUPA 2], escuta balançando a cabeça e depois responde. Câmera parada, as duas no quadro o tempo todo.
O projeto usa CUDA, que só existe em placa NVIDIA, então Mac não serve. Os comandos oficiais são de Linux e o projeto não traz instrução pra Windows.
O projeto não informa. Os comandos oficiais usam 2 placas. O --use_int8 carrega uma versão que gasta menos memória (só na versão 1.5).
Não. Com foto é o modo ai2v; sem foto é o modo at2v, que cria a pessoa a partir da descrição da cena e do áudio.
Sim. Ele gera em partes seguidas (--num_segments) e cada parte continua a anterior com o mesmo rosto. O site oficial mostra um exemplo de 5 minutos.
Sim, a licença é MIT, que permite uso comercial. Ela não dá direito à marca nem às patentes de quem fez o modelo.
Resumindo: com uma placa NVIDIA e um pouco de paciência no terminal, você baixa o código e o modelo de graça, coloca a sua foto, o seu áudio e uma descrição no arquivo de exemplo e roda um comando. Sai um vídeo seu falando, com o rosto igual até o fim, sem pagar mensalidade.