LongCat Video: Guia Completo em Português

O que é o LongCat Video

LongCat Video é o modelo de geração de vídeo que a Meituan publicou em 25 de outubro de 2025. Não é um conjunto de modelos especializados: é um único modelo denso de 13,6 bilhões de parâmetros que unifica texto-para-vídeo, imagem-para-vídeo e continuação de vídeo no mesmo framework. Os pesos são liberados sob licença MIT, que cobre o uso dos pesos, mas não concede direitos sobre marcas ou patentes da Meituan.

A documentação oficial descreve geração em 720p a 30fps, uma estratégia coarse-to-fine nos eixos temporal e espacial, Block Sparse Attention, RLHF com GRPO multi-recompensa e pré-treinamento nativo em continuação de vídeo, que permite encadear tomadas de vários minutos sem desvio de cor nem perda de qualidade. Na tabela MOS publicada pela própria equipe da Meituan (benchmark interno do fornecedor, texto-para-vídeo), o LongCat-Video marca 3,38 de qualidade geral, contra 3,48 do Veo3, 3,36 do PixVerse-V5 e 3,35 do Wan 2.2-T2V-A14B. São números dos autores do modelo, não um ranking independente.

Os avatares são uma família separada. O LongCat-Video-Avatar saiu em 16 de dezembro de 2025 com um encoder de áudio wav2vec2. O LongCat-Video-Avatar-1.5 chegou em 21 de maio de 2026 e troca o Wav2Vec2 pelo Whisper-Large-v3 para um lip sync mais preciso: aceita áudio em um ou vários fluxos, 480P/720P via --resolution, quantização INT8 com --use_int8 e amostragem por destilação com --use_distill, obrigatória na v1.5, que acelera a inferência para 8 passos.

Três formas de rodar o LongCat Video

Opção 1: o gerador hospedado neste site

O caminho mais rápido é a ferramenta no navegador. Você envia uma imagem fixa, escreve um prompt de movimento e o clipe é gerado sem instalar nada: de 17 a 961 frames por clipe e saída em 480p ou 720p. O custo exato em créditos aparece antes do envio, então não há surpresa no fim. A ferramenta não aceita áudio e não faz cabeças falantes: avatares com áudio exigem a instalação local do Avatar-1.5, descrita no guia do LongCat Video Avatar.

Opção 2: instalação local com os comandos oficiais

O repositório da Meituan documenta essa rota passo a passo:

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
# Instale a build de PyTorch compatível com sua CUDA (exemplo 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 para vídeo
torchrun run_demo_text_to_video.py --checkpoint_dir=./weights/LongCat-Video --enable_compile

Os scripts de demonstração incluem também imagem-para-vídeo, continuação, vídeo longo e interativo. Com várias GPUs, acrescente --nproc_per_node=2 --context_parallel_size=2 ao torchrun. O README não publica mínimo universal de VRAM, RAM ou disco, nem tabela de velocidade por GPU: para o tamanho exato do checkpoint, consulte o model card no Hugging Face em vez de confiar em tabelas copiadas de outros blogs.

Opção 3: a rota comunitária no ComfyUI

A Meituan não publica nenhum repositório de ComfyUI na sua organização do GitHub, então não existe nó "oficial" da Meituan. O suporte vem da comunidade: os pesos em formato Comfy são publicados em Kijai/LongCat-Video_comfy e os nós do LongCat vêm dentro do kijai/ComfyUI-WanVideoWrapper. Instale primeiro o ComfyUI, adicione o wrapper, coloque os pesos e carregue um workflow. Se o objetivo for avatar ou vídeo longo, nossos guias internos de avatar no ComfyUI e de PainterLongVideo seguem exatamente esse wrapper.

Os parâmetros que realmente importam

Um clipe curto padrão tem 162 frames: cerca de 10,8 segundos a 15fps ou 5,4 segundos a 30fps. Para clipes de um minuto, aumente os frames e reduza os fps: 900 a 15fps dão cerca de 60 segundos, 961 a 15fps cerca de 64 e 961 a 30fps cerca de 32. Neste site, um pedido destilado acima de 81 frames é atualizado automaticamente para o modelo padrão, porque as execuções destiladas são limitadas a 81 frames.

Como escrever prompts que funcionam

Um prompt útil não é uma frase solta, mas cinco partes: sujeito e ação, ambiente, câmera, iluminação e estilo ou nota técnica. Quanto mais claro cada bloco, menos o modelo precisa adivinhar.

❌ Prompt fraco:

um carro dirigindo na estrada

✅ Prompt forte:

Um esportivo vermelho elegante percorre uma estrada costeira sinuosa ao pôr do sol.
A câmera acompanha o veículo de lado, capturando os reflexos do sol dourado
na lataria polida. A cena passa de um close das rodas para um plano aéreo amplo
que revela o litoral. Iluminação cinematográfica, fotorrealista, qualidade 4K.

O vocabulário de movimento também ajuda:

Quanto custa gerar

Contas novas recebem 150 créditos de cadastro, de uso único e válidos por 30 dias: o próprio código os descreve como créditos para um vídeo destilado em 480p. Não existe cota diária gratuita nem plano ilimitado; a partir daí, compram-se pacotes de créditos. A tabela de preços em créditos é única para todos os modelos e o custo exato de cada execução aparece antes do envio.

Os planos são estes:

Os detalhes e a política de reembolso estão na página de preços.

Limites que você precisa conhecer

O upstream não publica mínimo universal de VRAM, RAM ou disco, nem tabela de velocidade por GPU: desconfie de números fechados prometidos por outros guias. A continuação de vídeo encadeia tomadas, mas vale revisar as emendas frame a frame. Aqui as execuções destiladas são limitadas a 81 frames e, acima disso, sobem para o modelo padrão. E a ferramenta do navegador não aceita áudio, portanto não faz avatares falantes: para isso você precisa da rota do Avatar-1.5.

Perguntas frequentes

O LongCat Video é gratuito?

Os pesos são MIT: rodar no seu próprio hardware não tem mensalidade, além da sua energia elétrica e da sua GPU. Neste site não existe plano gratuito ilimitado nem cota diária: contas novas recebem 150 créditos de uso único válidos por 30 dias e depois é preciso comprar pacotes.

Consigo rodar localmente?

Sim: o repositório oficial documenta todo o processo, do ambiente Conda ao download dos pesos e ao torchrun. O que não está lá é um mínimo universal de VRAM ou uma tabela por GPU, então olhe o tamanho do checkpoint no model card do Hugging Face.

Qual checkpoint devo baixar?

Para o modelo base, meituan-longcat/LongCat-Video no Hugging Face. Para avatares com áudio, a família Avatar-1.5 tem repositório próprio no Hugging Face e um fluxo de inferência próprio.

Quanta VRAM eu preciso?

O upstream não publica mínimo universal nem tabela por GPU, então qualquer número exato de terceiros é estimativa. A referência confiável é o tamanho do checkpoint no model card do Hugging Face.

A ferramenta do navegador cria avatares falantes?

Não. Ela aceita uma imagem fixa e um prompt de movimento e não tem entrada de áudio, então não gera cabeças falantes com lip sync. Esse caso exige a montagem local do Avatar-1.5, explicada em /longcat-video-avatar.

Quanto custa uma geração?

Entre 150 e 300 créditos conforme modelo e resolução: 150 o destilado 480p, 200 o padrão 480p, 250 o destilado 720p e 300 o padrão 720p. Uma imagem custa 80 créditos e uma faixa de música 100. O custo exato aparece antes do envio.

Comece a gerar

Se você quer sair da leitura para um clipe real, o caminho mais curto é gerar vídeo a partir de uma imagem: envie a foto, descreva o movimento e veja o custo em créditos antes de confirmar. Para comparar planos, veja /pricing. E para uma visão mais ampla do modelo, temos o guia completo do LongCat Video.

Última atualização: 25 de janeiro de 2026