MeituanがLongCat-Video-Avatar 1.5をオープンソース化しました。これがやっていることは、VisionStoryの中核とまったく同じ——静止画1枚と音声トラックから、トーキングアバター動画を作ることです。気になったので、実際に動かしてみました。この記事はハンズオンの分解レビューです。何者なのか、実性能はどれくらいか、セットアップでハマった5つの罠、そして自前運用とホスト型ツールでコストがどう違うのかを正直にまとめます。ソース: github.com/meituan-longcat/LongCat-Video（MIT）。
LongCat-Video-Avatarとは？ 誰が作った？
LongCat-Video-Avatar 1.5は、Meituan（LongCatチーム）による、オープンウェイトの音声駆動・人物動画モデルです。LongCat-Videoの基盤モデルを土台に作られており、寛容なMITライセンスで公開されています——商用利用も本当に無料です。2026-07時点でコードリポジトリはおよそGitHubスター5,200を獲得し、1.5の重みはHugging Faceでも最近のリリースの中で好評な部類に入ります。
ネイティブで3つのタスクに対応しています。Audio + Text to Video（AT2V、参照画像なし）、Audio + Text + Image to Video（ATI2V——参照写真がアイデンティティを決める、実際のアバターワークフローに近いケース）、そして単一セグメントを超えてクリップを伸ばす動画の継続生成です。バージョン1.5ではWhisper-Largeの音声エンコーダーに差し替えられており、これが口の動きの元になります。重要なのは、与えた音声から唇と表情を駆動するだけで——音声の生成やクローンは行わない点です。
実際に回してみた（A800-40GB 1枚）
机上の空論なし——単体のNVIDIA A800-SXM4-40GB（torch 2.8+cu128、driver 550）で3タスクすべてを実行しました。構成はモデルのINT8量子化＋8ステップ蒸留で、これがこの規模の動画拡散モデルを40 GBカードに載せるために必要な条件です。ここからは、正直なプレイバイプレイです。
ハマった5つの罠
- ボーカル分離の依存が欠けていた。 音声パイプラインは
audio-separator経由でKim_Vocal_2モデルを必要としますが、デフォルトのrequirementsに入っていません——最初の実行はpip install audio-separator==0.30.2を入れるまで落ち続けました。 - 動画ライターが爆発。 フレーム保存時に、imageioがffmpeg writerを見つけられず
TiffWriter got an unexpected keyword argument fpsで失敗——pip install imageio-ffmpeg==0.6.0で解決しました。 - マルチGPUがデッドロック。 複数カードで1ジョブを回す（context-parallel size 2または8）とNCCLのcollective desyncでハングし、両rankが互いを待ち続け、600秒のタイムアウトで中断されました。実運用では単一カードしか使えませんでした。INT8の重みは40 GBカード1枚に収まるため、マルチGPUは「別ジョブを並列に走らせる」用途には有効でも、「1ジョブを速くする」用途ではありませんでした。
- 2セグメント目でメモリ不足。 長いクリップはセグメントを継続して積み上げますが、継続ステップが48層のKV-cacheを常駐させたままで、40 GBカードでは2セグメント目で上限に達してクラッシュ——収まるまであと約160 MiB足りませんでした。
--offload_kv_cacheフラグ（キャッシュをCPU RAMへ移し、ステップごとに戻す）を露出して有効化し、さらにPYTORCH_CUDA_ALLOC_CONF=expandable_segments:Trueを設定する必要がありました。動きますが、セグメントは遅くなります。 - 解像度のアライメント。 マルチカード並列時の480pは、高さと幅が64で割り切れる必要がある制約に引っかかりました。単一カードでは回避できます。
速度とメモリ（実測）
重要なのはこの数字です。82秒のクリップはA800で3,586秒——1時間弱かかりました。つまり完成動画1秒あたり約44秒の計算です（26セグメントで、生成セグメントあたり約138秒）。短い10秒クリップでも約7分は見込む必要があります。しかも軽い負荷ではありません。VRAMは数秒で立ち上がり、その後は40,500 MiB——40 GBカードの98.9%——に張り付いたままレンダリング終了まで維持されました。以下は1秒ごとにサンプリングした実測値です：
レンダリングしたサンプル
以下の各クリップは、上記で説明したA800上で当社がレンダリングしました。モデルを想定シナリオでベンチマークするため、こちらで独自に用意した素材ではなく、プロジェクト公式のデモ入力（参照ポートレートと音声）をそのまま使用しています。つまり、これは見栄えの良い部分だけを切り取ったハイライト集ではなく、恣意的に選別していない正直な出力です。最初の2本のクリップは、それぞれ固有の参照写真で駆動しています：
左：写真＋音声クリップの参照。右：マルチスピーカー・クリップの参照（1枚の画像に2人）。下の3本目のクリップは、参照写真なしでテキスト＋音声を駆動しています。モデルが人物を作り出すため、ここが最も弱くなりやすいポイントです。
VisionStoryがLongCat-Video-Avatar 1.5をNVIDIA A800でレンダリング（2026-07-15）。解像度は480p級（768×512 / 832×480）。モデル公式デモ入力を使用。
正直な評価：写真ありは強い、なしは厳しい
本当に感心した点：
- 同一性が保たれる。 写真駆動のクリップでは、82秒間ずっと同じ人物のまま——髪、服装、顔——で、口の動きが音声に追従します。アバターで最も重要なケースで、しっかり機能します。
- マルチスピーカーがちゃんと動く。 1つのシーンにいる2人が、それぞれの音声トラックでリップが独立駆動されても破綻しませんでした——本当に難しいところです。
- MITで商用レベル。 オープンウェイトで、レンダリングごとの課金もなく、短いクリップなら十分通用する品質です。
ダメなところ（しかも全部リアル）：
- テキストのみ生成はドリフトする。 参照写真がないと人物を創作しますが、長尺になると顔が不気味で蝋っぽいアップに歪み、シーンもズレていきます——上の3本目で確認できます。
- 遅くて重い。 動画1秒あたり計算約44秒で、40 GBカードをずっと張り付かせます。82秒で1時間です。
- 40 GBが最低ライン。 収めるだけでもINT8＋蒸留が必要で、マルチセグメントはKV-cacheをCPUにオフロードしてようやく生存。小さいカードは無理です。
- 実質、単一カード運用。 私たちの環境ではマルチGPUのcontext-parallelがデッドロックし、カードを増やして1本を速くする簡単な手段がありませんでした。
- 音声はなし。 入力した音声で唇を動かすだけで、テキスト読み上げや音声クローンはできません。別の音声ソースが必要です。
- このハードでは480p。 40 GBカード1枚で回せたのは480p級の出力でした。
LongCatをセルフホスト vs ホスト型ツール：どっちを選ぶ？
どちらも結果は同じ——写真＋音声からトーキング動画を作ります。違いは、そこに到達するまでのコストがすべてです。VisionStoryのようなホスト型ツールは、モデル実行をあなたの代わりにやってくれます。正直なトレードオフは以下の通りです。
| LongCat（セルフホスト） | VisionStory（ホスト） | |
|---|---|---|
| ハードウェア | 40 GBのA100/A800（数千ドル） | 不要——ブラウザで動作 |
| セットアップ | CUDA、flash-attn、INT8、依存修正、OOM調整 | ログインしてすぐ開始 |
| クリップあたりの時間 | 動画1秒あたり計算~44秒（82秒 ≈ 約1時間） | ホストGPUで数秒 |
| 解像度（今回の実測） | 480p級 | HD以上 |
| 音声 | 音声は自前（TTS/クローンなし） | 音声内蔵＋音声クローン |
| 商用利用 | 可（MIT） | 可（プランにより） |
| 保守 | 依存、OOM、ドライバを自力で直す | 不要 |
| 向いているのは | GPUがあり、セルフホスト/オフライン/オンプレが必須 | 完成したトーキング動画を速く作りたい |
LongCatを選ぶべきなのは、ハードが揃っていて、オンプレ・オフライン・完全な自主管理など「どうしてもセルフホストである必要がある」場合で、CUDAスタックの運用保守に抵抗がない人です。ホスト型ツールを選ぶべきなのは、同じ「写真＋音声のトーキング動画」を、1時間の計算や5桁ドルのGPUなしで作りたい人です。
LongCatから学んだこと
LongCat-Video-Avatarを実際に回して分かった最大の教訓は、オープンなアバター動画の品質がついに実用域に来たということです——参照写真があれば、この無料モデルでも実際の用途に十分なクリップを作れます。モデル自体は、もはや一番の難所ではありません。
難しいのは周辺のすべてです。手が届くGPUに動画拡散モデルを収めること、2セグメント目のOOMを乗り切ること、82秒に1時間待つこと、そして音声と組み合わせること。有能なチェックポイントと「誰でも作れる完成したトーキング動画」の間にあるこのギャップこそ、私たちが解決している領域です。もしその“反対側”を見たいなら、VisionStoryなら写真と台本から、ブラウザ上で数秒でリップシンクしたトーキングアバターを作れます。音声側も必要なら、オープンソースTTSの分解レビューで現状をまとめています。
