LongCat 视频头像进了 ComfyUI,小画幅能用,720p 要等
音频驱动说话视频的 ComfyUI 节点和工作流已放出,4090 上 832×464 每生成 1 秒约 15 秒,1280×720 约 59 秒。
LongCat Video Avatar 1.6 有了 ComfyUI 自定义节点。ComfyUI 是节点式生成工作流工具,移植后这套模型可以接进节点流程。它做的是音频驱动说话视频:给一张起始图、一段提示词和语音,生成人物说话的视频。LatentSpacer 放出了节点、工作流和权重。
速度是这套东西的门槛。LatentSpacer 在 4090 上测的数据:832×464 分辨率下,每生成 1 秒视频大约要 15 秒;1280×720 下,每 1 秒视频大约要 59 秒。分辨率一上去,等待时间拉长。很多场景只需要一个小的说话头画面,这种尺寸更接近能用的状态。
帖子里的演示:

节点和工作流在 GitHub,权重在 HuggingFace。输入项对应起始图、提示词和语音,具体连线看作者放的 workflow。
有网友问 3 段视频怎么合在一起。LatentSpacer 回复,模型支持同一视频里的多说话人,但他还没实现;演示里的 3 段是单独剪辑,输入只有 3 张猿图,拼接由 Claude 完成。想试多说话人,得等节点更新;眼下这套更适合小画幅、短片段的口播测试。
发布时间: 2026-11-19 17:16