LongCat Video: Guía Completa de Generación de Video IA
El modelo de Meituan explicado sin humo: qué es, cómo ejecutarlo en el navegador, en local o con ComfyUI, y cuántos créditos consume cada clip
Qué es LongCat Video
LongCat Video es el modelo de generación de video que Meituan publicó el 25 de octubre de 2025. No es una colección de modelos especializados: es un único modelo denso de 13.600 millones de parámetros que unifica texto-a-video, imagen-a-video y continuación de video en el mismo framework. Los pesos se publican bajo licencia MIT, que cubre el uso de los pesos pero no concede derechos sobre marcas o patentes de Meituan.
La documentación oficial describe generación a 720p y 30fps, una estrategia coarse-to-fine a lo largo de los ejes temporal y espacial, Block Sparse Attention, RLHF con GRPO multi-recompensa y un preentrenamiento nativo en continuación de video que permite encadenar tomas de varios minutos sin deriva de color ni degradación de calidad. En la tabla MOS que publica el propio equipo de Meituan (benchmark interno del proveedor, texto-a-video), LongCat-Video obtiene 3,38 de calidad global, frente a 3,48 de Veo3, 3,36 de PixVerse-V5 y 3,35 de Wan 2.2-T2V-A14B. Son cifras de los autores del modelo, no un ranking independiente.
Los avatares son una familia aparte. LongCat-Video-Avatar se publicó el 16 de diciembre de 2025 con un encoder de audio wav2vec2. LongCat-Video-Avatar-1.5 llegó el 21 de mayo de 2026 y sustituye Wav2Vec2 por Whisper-Large-v3 para un lip sync más preciso: admite audio en uno o varios flujos, 480P/720P con --resolution, cuantización INT8 con --use_int8 y muestreo por destilación con --use_distill, obligatorio en la v1.5, que acelera la inferencia a 8 pasos.
Tres formas de ejecutar LongCat Video
Opción 1: el generador alojado en este sitio
La vía más rápida es la herramienta del navegador. Subes una imagen fija, escribes un prompt de movimiento y el clip se genera sin instalar nada: entre 17 y 961 frames por clip y salida en 480p o 720p. El coste exacto en créditos aparece antes de enviar la petición, así que nunca hay sorpresa al final. Esta herramienta no acepta audio y no produce cabezas parlantes: los avatares con audio necesitan la instalación local de Avatar-1.5, que describimos en la guía de LongCat Video Avatar.
Opción 2: instalación local con los comandos oficiales
El repositorio de Meituan documenta esta ruta paso a paso:
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
# Instala la build de PyTorch que corresponda a tu CUDA (ejemplo oficial: CUDA 12.4)
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 psutil packaging
pip install flash_attn==2.7.4.post1
pip install -r requirements.txt
pip install "huggingface_hub[cli]"
huggingface-cli download meituan-longcat/LongCat-Video --local-dir ./weights/LongCat-Video
# Texto-a-video
torchrun run_demo_text_to_video.py --checkpoint_dir=./weights/LongCat-Video --enable_compileLos scripts de demostración incluyen también imagen-a-video, continuación de video, video largo e interactivo. Con varias GPUs se añade --nproc_per_node=2 --context_parallel_size=2 al torchrun. El README no publica un mínimo universal de VRAM, RAM o disco, ni una tabla de velocidad por GPU: para el tamaño exacto del checkpoint, consulta la model card en Hugging Face en lugar de fiarte de una tabla copiada de otro blog.
Opción 3: la ruta comunitaria de ComfyUI
Meituan no publica ningún repositorio de ComfyUI en su organización de GitHub, así que no existe un nodo "oficial" de Meituan. El soporte llega por la comunidad: los pesos en formato Comfy se publican en Kijai/LongCat-Video_comfy y los nodos de LongCat vienen incluidos en kijai/ComfyUI-WanVideoWrapper. Instala primero ComfyUI, añade el wrapper, coloca los pesos y carga un workflow. Si tu objetivo es el avatar o el video largo, nuestras guías internas de avatar en ComfyUI y de PainterLongVideo siguen exactamente ese wrapper.
Los parámetros que de verdad importan
| Parámetro | Rango | Ajuste recomendado |
|---|---|---|
| Resolución | 480p / 720p | 480p para pruebas; 720p para el clip final |
| Frames | 17-961 | 162 por defecto; 300+ para clips largos |
| num_inference_steps | 8-50 | 8-20 para borradores; 40 para calidad máxima |
| guidance_scale | 1-10 | 4 por defecto; más alto = más fiel al prompt |
| fps | 1-60 | 480p por defecto a 15fps; 720p por defecto a 30fps |
| Créditos por clip | 150 / 200 / 250 / 300 | Según modelo: destilado 480p es el más barato |
Un clip corto por defecto son 162 frames: unos 10,8 segundos a 15fps o unos 5,4 segundos a 30fps. Para clips de un minuto, sube los frames y baja los fps: 900 a 15fps dan unos 60 segundos, 961 a 15fps unos 64 y 961 a 30fps unos 32. En este sitio, una petición destilada por encima de 81 frames se actualiza automáticamente al modelo estándar, porque las ejecuciones destiladas están limitadas a 81 frames.
Cómo escribir prompts que funcionen
Un prompt útil no es una frase suelta, sino cinco piezas: sujeto y acción, entorno, cámara, iluminación y estilo o nota técnica. Cuanto más claro sea cada bloque, menos tendrá que adivinar el modelo.
❌ Prompt débil:
un coche conduciendo por la carretera✅ Prompt fuerte:
Un deportivo rojo y elegante recorre una carretera costera sinuosa al atardecer.
La cámara acompaña al vehículo de lado, capturando los reflejos del sol dorado
sobre la carrocería pulida. La escena pasa de un primer plano de las ruedas a un
plano aéreo amplio que revela la costa. Iluminación cinematográfica,
fotorrealista, calidad 4K.El vocabulario de movimiento también ayuda:
| Categoría | Palabras útiles |
|---|---|
| Verbos | flotando, acelerando, disolviéndose, emergiendo, girando, transformándose |
| Adverbios | suavemente, gradualmente, rápidamente, rítmicamente, dramáticamente |
| Transiciones | transformándose en, fundido a, alejándose para revelar, corte a |
| Cámara | panorámica, inclinación, dolly, grúa, travelling, vista aérea |
Cuánto cuesta generar
Las cuentas nuevas reciben 150 créditos de registro, de un solo uso y válidos 30 días: el propio código los describe como créditos para un video destilado en 480p. No hay asignación diaria gratuita ni plan ilimitado; a partir de ahí se compran paquetes de créditos. La lista de precios en créditos es única para todos los modelos y el coste exacto de cada ejecución se muestra antes de enviarla.
| Ejecución | Créditos |
|---|---|
| Video LongCat destilado 480p | 150 |
| Video LongCat estándar 480p | 200 |
| Video LongCat destilado 720p | 250 |
| Video LongCat estándar 720p | 300 |
| Una imagen | 80 |
| Una pista de música | 100 |
Los planes son estos:
| Plan | Mensual (créditos válidos 1 mes) | Pago único (créditos para siempre) | Anual (todo al inicio, válido 1 año) |
|---|---|---|---|
| Try | $4.9/mes — 1.000 créditos | $9.9 — 500 créditos | $5.75/mes — 15.000 créditos |
| Pro | $49/mes — 8.000 créditos | $89 — 5.000 créditos | $29/mes — 96.000 créditos |
| Max | $149/mes — 30.000 créditos | $389 — 50.000 créditos | $83.25/mes — 360.000 créditos |
El detalle y la política de reembolso están en la página de precios.
Límites que conviene conocer
El upstream no publica un mínimo universal de VRAM, RAM ni disco, y tampoco una tabla de velocidad por GPU: desconfía de las cifras cerradas que prometen otras guías. La continuación de video encadena tomas, pero conviene revisar las costuras fotograma a fotograma. Aquí las ejecuciones destiladas están limitadas a 81 frames y por encima de ese valor se suben al modelo estándar. Y la herramienta del navegador no acepta audio, así que no hace avatares que hablan: para eso necesitas la ruta de Avatar-1.5.
Preguntas frecuentes
¿LongCat Video es gratis?
Los pesos son MIT: ejecutarlos en tu propio hardware no tiene cuota de suscripción, aparte de tu electricidad y tu GPU. En este sitio no hay plan gratuito ilimitado ni asignación diaria: las cuentas nuevas reciben 150 créditos de un solo uso válidos 30 días y después se compran paquetes.
¿Puedo ejecutarlo en local?
Sí: el repositorio oficial documenta todo el proceso, desde el entorno Conda hasta la descarga de pesos y el torchrun. Lo que no encontrarás allí es un mínimo universal de VRAM ni una tabla por GPU, así que mira el tamaño del checkpoint en la model card de Hugging Face.
¿Qué checkpoint debo descargar?
Para el modelo base, meituan-longcat/LongCat-Video desde Hugging Face. Para avatares con audio, la familia Avatar-1.5 tiene su propio repositorio en Hugging Face y su propio flujo de inferencia.
¿Cuánta VRAM necesito?
El upstream no publica un mínimo universal ni una tabla por GPU, así que cualquier cifra exacta de terceros es una estimación. La referencia fiable es el tamaño del checkpoint en la model card de Hugging Face.
¿La herramienta del navegador crea avatares que hablan?
No. Acepta una imagen fija y un prompt de movimiento, y no tiene entrada de audio, así que no genera cabezas parlantes con lip sync. Ese caso de uso requiere el montaje local de Avatar-1.5, explicado en /longcat-video-avatar.
¿Cuánto cuesta una generación?
Entre 150 y 300 créditos según modelo y resolución: 150 el destilado 480p, 200 el estándar 480p, 250 el destilado 720p y 300 el estándar 720p. Una imagen cuesta 80 créditos y una pista de música 100. El coste exacto se muestra antes de enviar la petición.
Empieza a generar
Si quieres pasar de la lectura a un clip real, la vía más corta es generar video desde una imagen: subes la foto, describes el movimiento y ves el coste en créditos antes de confirmar. Para comparar planes, revisa /pricing. Y para una visión más amplia del modelo, la guía completa de LongCat Video.
Última actualización: 25 de enero de 2026