LongCat-Video：统一完成文生、图生与长视频续写的开源模型
一分钟看懂
LongCat-Video 是美团 LongCat 团队发布的 136 亿参数视频生成模型与推理代码。一个模型同时支持文字生成视频、图片生成视频和视频续写，并针对分钟级长视频与 720p、30fps 输出进行了设计；仓库还包含音频驱动人物视频的 Avatar 版本。
你可以用它做什么
- 根据文字描述生成视频。
- 让静态图片动起来并生成后续画面。
- 续写已有视频，生成更长的连续内容。
- 用单路或多路音频驱动人物或角色视频。
- 在本地研究和评估开源视频生成、长视频一致性与推理加速技术。
主要能力
- 统一支持文生视频、图生视频和视频续写。
- 通过时空粗到细生成与稀疏注意力提高高分辨率推理效率。
- 原生训练视频续写任务，以减少长视频中的颜色漂移和质量衰减。
- 提供单卡、多卡和交互式 Streamlit 运行示例。
- Avatar 1.5 支持音频驱动、长视频延续、单人或多人音频输入及蒸馏加速。
适合哪些人
适合视频生成研究者、需要本地验证开源模型的算法工程师，以及具备较强 GPU 环境、希望开发视频或数字人原型的团队。
怎么开始使用
克隆仓库后创建 Python 3.10 环境，安装与 CUDA 匹配的 PyTorch、FlashAttention 和项目依赖，再从 Hugging Face 下载相应模型权重。仓库分别提供文生视频、图生视频、视频续写、长视频和 Avatar 的启动脚本，也可用 Streamlit 运行交互界面。
使用前需要知道
136 亿参数模型以及 720p 视频生成需要较强 GPU 和较大显存，多卡示例也说明其资源门槛较高。官方性能比较部分包含内部基准，不能直接视为所有场景下的独立结论。用于人物、声音或真实素材时，需要处理授权、隐私、内容安全和当地法规问题。代码与模型权重按 MIT 许可证发布，但不授予美团商标或专利权利。