LongCat Video: der komplette Leitfaden auf Deutsch
Das dichte Modell mit 13,6 Milliarden Parametern von Meituan, die geprüfte lokale Installation, der ComfyUI-Weg, die Parameter des Generators und die echten Kosten eines Durchlaufs in Credits
Was ist LongCat Video?
LongCat Video ist ein Videogenerierungsmodell, das Meituan am 25. Oktober 2025 veröffentlicht hat. Es ist ein dichtes Modell mit 13,6 Milliarden Parametern, das drei sonst getrennte Aufgaben in einem Framework vereint: Text-zu-Video, Bild-zu-Video und Videofortsetzung. Das offizielle Repository dokumentiert 720p bei 30 Bildern pro Sekunde, eine Coarse-to-Fine-Strategie, eine Block Sparse Attention und ein Training mit Multi-Reward-GRPO-RLHF.
Zwei Punkte sind im produktiven Einsatz wichtig: Die Modellgewichte stehen unter der MIT-Lizenz, private und kommerzielle Nutzung sind also erlaubt, ohne Rechte an Marken oder Patenten von Meituan; und das Modell wurde von Anfang an auf Videofortsetzung vortrainiert, woraus laut den Autoren Videos von mehreren Minuten ohne Farbdrift und ohne Qualitätsverlust entstehen. Genau diese Kontinuität unterscheidet es von einem Generator für wenige Sekunden.
Meituan veröffentlicht außerdem eine eigene Familie für sprechende Avatare: LongCat-Video-Avatar (16. Dezember 2025, Wav2Vec2-Audioencoder), danach Avatar-1.5 (21. Mai 2026), das Wav2Vec2 durch Whisper-Large-v3 für eine genauere Lippensynchronisation ersetzt, einen oder mehrere Audioströme verarbeitet, sich auf 480P oder 720P stellen lässt und INT8-Quantisierung des DiT mit destilliertem Sampling ergänzt, das die Inferenz auf 8 Schritte beschleunigt. Das ist ein audiogesteuertes Modell, nicht der Browser-Generator weiter unten.
Drei Wege, LongCat Video zu nutzen
1. Der Generator im Browser
Der schnellste Weg: Öffnen Sie den Bild-zu-Video-Generator, laden Sie ein Ausgangsbild hoch und beschreiben Sie die Bewegung. Hier stellen Sie Auflösung (480p oder 720p), Modellvariante (Standard oder Distilled), Frames, fps, Inferenzschritte und Guidance ein. Die Credit-Kosten stehen vor dem Start fest. Keine Installation nötig, aber auch kein Audioeingang: das Werkzeug kombiniert Bild und Bewegungs-Prompt.
2. Die offizielle lokale Installation
Für volle Kontrolle nehmen Sie das offizielle Repository. Die dort dokumentierte Reihenfolge lautet:
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
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
torchrun run_demo_text_to_video.py --checkpoint_dir=./weights/LongCat-Video --enable_compileDer PyTorch-Befehl oben ist das Beispiel des Projekts für CUDA 12.4: Wählen Sie den Build, der zu Ihrem CUDA passt. Weitere Einstiegspunkte sind run_demo_image_to_video.py, run_demo_video_continuation.py, run_demo_long_video.py und run_demo_interactive_video.py; für mehrere GPUs ergänzen Sie --nproc_per_node=2 --context_parallel_size=2. Das Projekt veröffentlicht keine allgemeinen Mindestwerte für VRAM, RAM oder Speicher und keine Geschwindigkeitstabelle pro GPU: Prüfen Sie die Modellkarte auf Hugging Face für die exakte Größe des Checkpoints.
3. Der ComfyUI-Weg über die Community
ComfyUI bleibt die flexibelste Art, das Modell Knoten für Knoten zu steuern. Oft falsch wiedergegeben: meituan-longcat veröffentlicht kein ComfyUI-Repository, und es gibt keinen offiziellen LongCat-Knoten von Meituan. Die Gewichte im Comfy-Format veröffentlicht Kijai in LongCat-Video_comfy, und die LongCat-Knoten kommen mit der Erweiterung ComfyUI-WanVideoWrapper. Installieren Sie zuerst ComfyUI, legen Sie die Erweiterung in custom_nodes ab und laden Sie dann einen Workflow: unser ComfyUI-Avatar-Tutorial und das PainterLongVideo-Tutorial zeigen vollständige Graphen.
Die Parameter, auf die es ankommt
| Parameter | Bereich | Wirkung |
|---|---|---|
| Auflösung | 480p / 720p | 480p zum schnellen Testen, 720p für die Endfassung |
| Frames | 17 bis 961 | die Länge der Einstellung bei gleichbleibenden fps |
| FPS | 1 bis 60 | die Flüssigkeit; 720p steht auf 30 fps, 480p auf 15 fps |
| Inferenzschritte | 8 bis 50 (Standard 40) | mehr Schritte, mehr Detail und mehr Zeit |
| Guidance | 1 bis 10 (Standard 4) | höher heißt näher am Prompt, aber auch starrer |
Mit den Standardwerten ist ein kurzer Clip 162 Frames lang, also etwa 10,8 Sekunden bei 15 fps oder 5,4 Sekunden bei 30 fps. Für eine Minute erhöhen Sie die Bildanzahl und senken die fps: 900 Frames bei 15 fps ergeben etwa 60 Sekunden, 961 bei 15 fps etwa 64 Sekunden, 961 bei 30 fps etwa 32 Sekunden. Die Kosten folgen nicht der Dauer, sondern Modellvariante und Auflösung: eine lange Sequenz in 720p Standard kostet so viel wie eine kurze.
Einen guten Prompt schreiben
Ein wirksamer Prompt beschreibt fünf Dinge: Subjekt und Handlung, Umgebung, Kamera, Licht und schließlich Stil oder technische Vorgabe. Handlung und Kamera entscheiden, ob eine Einstellung flach oder lesbar wirkt.
❌ Schwacher Prompt:
ein Auto fährt auf der Straße✅ Starker Prompt:
Ein eleganter roter Sportwagen fährt bei Sonnenuntergang eine kurvenreiche
Küstenstraße entlang. Die Kamera fährt neben dem Fahrzeug mit und fängt die
Reflexe der goldenen Sonne auf dem polierten Lack ein. Die Einstellung wechselt
von Details der Räder zu einer weiten Luftaufnahme, die die Küste darunter
zeigt. Filmisches Licht, fotorealistisch.Ein Bewegungsvokabular hilft stark, weil das Modell gern fortsetzt, was es bereits erzeugt hat:
| Kategorie | Nützliche Wörter |
|---|---|
| Verben | schwebend, beschleunigend, sich auflösend, auftauchend, kreisend, sich verwandelnd |
| Adverbien | sanft, allmählich, schnell, rhythmisch, dramatisch |
| Übergänge | übergehend in, überblendend zu, zurückfahrend, um zu enthüllen, schneidend zu |
| Kamera | Schwenk, Neigung, Dolly, Kran, Tracking Shot, Luftaufnahme |
Was ein Durchlauf kostet
Ein neues Konto erhält einmalig 150 Credits, gültig 30 Tage, genug für ein Distilled-480p-Video. Danach kostet ein Video 150 Credits in Distilled 480p, 200 in 480p Standard, 250 in Distilled 720p und 300 in 720p Standard; ein Bild kostet 80 Credits, ein Musiktitel 100 Credits. Nützliches Detail: Eine Distilled-Anfrage über 81 Frames wird automatisch auf das Standardmodell hochgestuft, weil Distilled-Läufe hier auf 81 Frames begrenzt sind.
| Tarif | Preis | Credits | Gültigkeit |
|---|---|---|---|
| Monatlich Try | 4,9 $/Monat | 1.000 | 1 Monat |
| Monatlich Pro | 49 $/Monat | 8.000 | 1 Monat |
| Monatlich Max | 149 $/Monat | 30.000 | 1 Monat |
| Einmalig Try | 9,9 $ | 500 | dauerhaft |
| Einmalig Pro | 89 $ | 5.000 | dauerhaft |
| Einmalig Max | 389 $ | 50.000 | dauerhaft |
| Jährlich Try | 5,75 $/Monat | 15.000 | 1 Jahr |
| Jährlich Pro | 29 $/Monat | 96.000 | 1 Jahr |
| Jährlich Max | 83,25 $/Monat | 360.000 | 1 Jahr |
Kein kostenloses Tageskontingent und kein unbegrenzter Tarif: Die 150 Startcredits gibt es einmal, danach kaufen Sie Credits. Es gilt eine Preisliste für alle Modelle, die exakten Kosten erscheinen vor dem Absenden, und Jahrescredits werden sofort gutgeschrieben. Details und Rückerstattung auf der Seite Preise.
Ehrliche Grenzen
Das Projekt veröffentlicht keine allgemeinen Hardware-Anforderungen: kein Minimum an VRAM, RAM oder Speicher und keine Geschwindigkeitstabelle pro GPU. Solche Zahlen anderswo sind Schätzungen, keine Spezifikationen.
Die Fortsetzung bleibt eine Vorhersage: Das Vortraining reduziert die Drift deutlich, garantiert aber keine unsichtbare Naht. Prüfen Sie den Übergang zwischen zwei Segmenten selbst.
Die Distilled-Variante ist hier auf 81 Frames begrenzt, jede Anfrage darüber läuft automatisch auf dem Standardmodell und wird teurer.
Der hier gehostete Generator nimmt kein Audio entgegen und erzeugt keine sprechenden Avatare: Für einen audiogesteuerten digitalen Menschen brauchen Sie die lokale Installation von Avatar-1.5, beschrieben auf der Seite LongCat Video Avatar.
Wir veröffentlichen keine Vergleichstabellen mit anderen Videoplattformen: Deren aktuelle Preise und Limits sind nicht überprüfbar, und eine veraltete Tabelle ist schlechter als keine. Die einzige zitierbare Qualitätszahl stammt von den Autoren selbst, aus ihrem MOS-Benchmark für Text-zu-Video: LongCat-Video 3,38 in der Gesamtqualität gegenüber Veo3 3,48, PixVerse-V5 3,36 und Wan 2.2-T2V-A14B 3,35 — eine Selbsteinschätzung des Meituan-Teams, kein unabhängiges Ranking.
Häufige Fragen
Ist LongCat Video wirklich kostenlos?
Das Modell ja: Die Gewichte stehen unter der MIT-Lizenz, Sie dürfen sie also auch kommerziell ausführen. Der hier gehostete Generator ist in der Nutzung aber nicht kostenlos: 150 Credits einmalig bei der Anmeldung, gültig 30 Tage, danach kostenpflichtige Pakete. Kein kostenloses Tageskontingent, kein unbegrenzter Tarif.
Kann ich es lokal auf meinem Rechner ausführen?
Ja, mit der Prozedur oben: eine NVIDIA-GPU, Python 3.10 über conda und ein PyTorch-Build, der zu Ihrem CUDA passt. Da das Projekt keine Mindestwerte für VRAM, RAM oder Speicher veröffentlicht, prüfen Sie die Größe des Checkpoints auf der Modellkarte.
Welchen Checkpoint soll ich herunterladen?
Für die lokale Inferenz meituan-longcat/LongCat-Video. Für ComfyUI die Gewichte im Comfy-Format von Kijai. Die Audio-Avatare haben eigene Repositories, darunter meituan-longcat/LongCat-Video-Avatar-1.5.
Erzeugt der Browser sprechende Avatare?
Nein: Er nimmt ein Bild und einen Bewegungs-Prompt, ohne Audioeingang, und erzeugt deshalb keinen synchronisierten sprechenden Kopf. Der audiogesteuerte Avatar erfordert die lokale Installation auf der Seite LongCat Video Avatar.
Was kostet ein Video?
150 Credits in Distilled 480p, 200 in 480p Standard, 250 in Distilled 720p, 300 in 720p Standard. Ein Bild kostet 80 Credits, ein Musiktitel 100 Credits, und die exakten Kosten werden vor dem Absenden bestätigt.
Brauche ich ComfyUI, um LongCat Video zu nutzen?
Nein, es ist eine von drei Optionen: der Browser zum schnellen Testen, die offizielle Installation für die volle Kontrolle, ComfyUI zum Verketten von Knoten.
Fazit
LongCat Video ist aus einem konkreten Grund interessant: Ein einzelnes dichtes Modell mit 13,6 Milliarden Parametern deckt Text-zu-Video, Bild-zu-Video und Fortsetzung unter MIT-Lizenz ab, mit Gewichten, die Sie selbst ausführen. Qualität einer Einstellung und Sauberkeit einer Naht beurteilen Sie an Ihren eigenen Bildern.
Zum Weiterlesen: unser vollständiger LongCat-Video-Leitfaden, danach der Bild-zu-Video-Generator und die Tarife auf der Seite Preise.
Zuletzt aktualisiert: 25. Januar 2026