TL;DR – Sieben Open-Source-Avatar-Modelle haben unseren Grenzwert erreicht: eine öffentliche Veröffentlichung zwischen dem 23. August 2025 und dem 23. August 2026, plus mindestens 1.000 GitHub-Stars. Wir haben jeden ausgeführt. Sechs produzierte Videos mit demselben öffentlichen Avatar und derselben männlichen Vertonung. LTX-2.3 DubIt konnte nicht gestartet werden, da sein offizieller Kontrollpunkt eine Hugging Face-Genehmigung erfordert. LiveAvatar erzielte das schärfste Schwergewichtsergebnis, EchoMimicV3-Flash bot die beste Balance auf einer 48-GB-GPU und SoulX-FlashHead war mit 5,8 GB Spitzen-VRAM bei weitem das leichteste.
Die Frage, die wir beantworten wollten
Open-Source-Veröffentlichungen von sprechenden Avataren kommen jetzt schneller an, als die meisten Vergleichsbeiträge sie verfolgen können. Behauptungen wie „Echtzeit“, „unendliche Länge“ und „Identitätserhaltung“ sind schwer zu vergleichen, da Projekte unterschiedliche Eingaben, Auflösungen, GPUs und Definitionen der Inferenzzeit verwenden.
Wir wollten eine engere, reproduzierbare Antwort: Welche neueren Modelle mit sinnvoller Community-Akzeptanz können das gleiche Porträt und die gleiche Vertonung in ein überzeugendes Gesprächsvideo verwandeln, und was benötigt jedes einzelne tatsächlich, um ausgeführt zu werden?
Für diese Runde qualifizierte sich ein Modell nur, wenn es beide Regeln erfüllte:
- Der erste offizielle, nutzbare Code samt Modellgewichten wurde im Zeitraum vom 23. August 2025 bis zum 23. August 2026 veröffentlicht.
- Das offizielle GitHub-Repository hatte am 23. August 2026 mehr als 1.000 Sterne.
Repository-Sterne sind ein Maß für Aufmerksamkeit, nicht für Qualität. Bei Wan2.2 und LTX-2.3 gehört die Sternanzahl zum übergeordneten Projekt, da die Avatar-Funktion in diesem Repository enthalten ist.
Die sieben qualifizierten Modelle
| Modell | GitHub Sterne | Öffentliche Veröffentlichung | Offizieller Beitrag | Testergebnis |
|---|---|---|---|---|
| Wan2.2-S2V-14B | 17,261 | 26. August 2025 | Bild + Ton, optionales Pose-Video | Vollendet |
| LTX-2.3 DubIt | 9,226 | 11. Mai 2026 | Referenzvideo + Zieltext | Durch einen bewachten Kontrollpunkt blockiert |
| LongCat-Video-Avatar 1.5 | 7,515 | 21. Mai 2026 | Bild + Ton | Vollendet |
| LiveAvatar | 2,384 | 8. Dezember 2025 | Bild + Ton | Vollendet |
| SoulX-FlashTalk | 1,476 | 8. Januar 2026 | Bild + Ton | Vollendet |
| EchoMimicV3-Flash | 1,025 | 22. Januar 2026 | Bild + Ton | Vollendet |
| SoulX-FlashHead | 1,006 | 12. Februar 2026 | Bild + Ton | Vollendet |
Projekte, die vor dem Cutoff veröffentlicht wurden, wurden unabhängig von ihrer Staranzahl ausgeschlossen.
Gleicher öffentlicher Avatar, gleiche männliche Stimme
Bei jedem erfolgreichen Lauf wurde dieser Rahmen von einem stillen, KI-generiertes Pexels-Video von AI25.Studio, unter dem Pexels-Lizenz. Der Quellenersteller unterstützt diesen Vergleich nicht.
Für die 3,63 Sekunden lange Vertonung wurde Daniel verwendet, eine neutrale männliche Systemstimme, die in macOS enthalten ist:
Open-Source-Avatar-Modelle können jetzt aus einem Bild überzeugende Videos generieren.
Wir haben angeheftete Versionen der offiziellen Repositories und Gewichte bereitgestellt Modal. Die gemessene Zeit beginnt mit dem Start des Generierungscontainers und endet mit der Rückgabe des endgültigen MP4. Modellgewichte wurden bereits in einem persistenten Modal-Volume gespeichert, sodass die anfängliche Internet-Downloadzeit ausgeschlossen ist, Modellladen, Vorverarbeitung, Generierung, Dekodierung und Muxing jedoch inbegriffen sind.
Ergebnisse auf einen Blick
| Modell | GPU getestet | Min. Always-on-GPU/Monat | Spitzen-VRAM | Zeit | Schätzung: berechnen | Modellcache | Output |
|---|---|---|---|---|---|---|---|
| Wan2.2-S2V-14B | H200 | 2.843 $ (H100) | 58.681 MiB | 780,29s | $1.3692 | 45,76 GiB | 512 x 896, 16 fps |
| LTX-2.3 DubIt | None | Unbekannt | None | Vor der GPU blockiert | 0 $ GPU | Kontrollpunkt eingezäunt | Keine Ausgabe |
| LongCat-Video-Avatar 1.5 | H200 | 2.843 $ (H100) | 46.827 MiB | 233,08 Sekunden | $0.4011 | 44,82 GB | 480 x 832, 25 fps |
| LiveAvatar | H200 | 2.843 $ (H100) | 61.401 MiB | 181,44 Sekunden | $0.3184 | 47,03 GiB | 384 x 704, 25 fps |
| SoulX-FlashTalk | H200 | 2.843 $ (H100) | 57.805 MiB | 331,93 Sekunden | $0.5825 | 51,07 GiB | 416 x 720, 25 fps |
| EchoMimicV3-Flash | L40S | 1.405 $ (L40S) | 33.726 MiB | 251,94 Sekunden | $0.2120 | 22,28 GiB | 480 x 848, 25 fps |
| SoulX-FlashHead Lite | L40S | 575 $ (L4) | 5.763 MiB | 235,31 Sekunden | $0.1980 | 7,60 GiB | 512 x 512, 25 fps |
Berechnen Sie die Verwendung von Schätzungen Listenpreise von Modal vom 23. August 2026 für die angeforderte GPU, CPU und den Speicher während der gemessenen Generierungsfunktion. Sie schließen Speicherung, Internetübertragung und den einmaligen Gewichtsdownload aus.
Die monatliche Spalte ist eine reine GPU-Kapazitätsschätzung für den kontinuierlichen Betrieb über einen 30-Tage-Monat. Es verwendet die kostengünstigste Modal-GPU-Klasse, von der wir erwarten, dass sie die gemessene Konfiguration ohne Neugestaltung der Pipeline ausführt: H100 für die schwergewichtigen Modelle, L40S für EchoMimic und L4 für FlashHead Lite. CPU-, Speicher-, Volume- und Netzwerkgebühren fallen zusätzlich an. Modal lässt sich auf Null skalieren, sodass das tatsächliche monatliche Minimum 0 US-Dollar beträgt und eine nutzungsbasierte Bereitstellung weitaus weniger kosten kann als die Always-On-Schätzung.
Hierbei handelt es sich um Einsatzmessungen, nicht um einen perfekt kontrollierten Modellqualitätsmaßstab. Die offiziellen Pipelines erzeugen unterschiedliche Auflösungen und verwenden eine unterschiedliche Anzahl von Schritten. Das ist Teil des Ergebnisses: Es zeigt, was der empfohlene ausführbare Pfad jedes Projekts liefert.
Die generierten Videos
Wan2.2-S2V-14B
Wan hielt die Identität und den Hintergrund stabil, mit zurückhaltenden Gesichtsbewegungen. Mit 13 Minuten und einer Leistung von 3,8 Sekunden war es auch der langsamste erfolgreiche Lauf.
Wan ist die schwergewichtige filmische Option. Wir haben den offiziellen 40-stufigen Sprach-Video-Pfad auf einem H200 ausgeführt. Es erzeugte ein sauberes, stabiles Porträt, aber die Bewegung war konservativ und die 16-fps-Ausgabe war weniger flüssig als die 25-fps-Modelle. Der maximale VRAM erreichte 58.681 MiB und die geschätzten Rechenkosten waren mehr als viermal so hoch wie die von LiveAvatar.
Das offizielle Setup erforderte außerdem mehrere Korrekturen von Abhängigkeiten, bevor die Inferenz beginnen konnte, einschließlich der von den Audio- und Video-Readern verwendeten Pakete. Keiner dieser fehlgeschlagenen Versuche erreichte eine Rauschunterdrückung, daher sind sie in der oben genannten Zeitmessung nicht enthalten.
LongCat-Video-Avatar 1.5
LongCat erzeugte die sichtbarste Kopf- und Körperleistung, einschließlich einer Handbewegung, die im Referenzbild nicht vorhanden war.
LongCat blieb das ausdrucksstärkste Bild-zu-Video-Ergebnis. Der 8-stufige INT8-Pfad sorgte dafür, dass der Avatar erkennbar war, und fügte gleichzeitig Kopf-, Gesichts- und Oberkörperbewegungen hinzu. Einige Mundrahmen sahen etwas übertrieben aus, aber dadurch fühlte sich das Standbild eher wie eine vollständige Aufführung an als bei den konservativeren Modellen.
Das offizielle Beispiel verwendet zwei GPUs. Wir haben es auf einem H200 ausgeführt, indem wir die Kontextparallelität auf eins gesetzt haben. Der Höchstwert lag bei 46.827 MiB, was für eine typische 48-GB-Karte zu nahe kommt, wenn man den Framework-Overhead berücksichtigt.
LiveAvatar
LiveAvatar erzielte das schärfste Schwergewichtsergebnis und den schnellsten erfolgreichen H200-Job.
LiveAvatar bot uns unter den großen Models die beste Kombination aus scharfer Identität, überzeugenden Mundformen, Blinzeln und zurückhaltendem Ausdruck. Seine vierstufige FP8-Pipeline war in 181,44 Sekunden fertig und damit schneller als LongCat, FlashTalk und Wan.
Diese Geschwindigkeit macht es nicht zu einem kleinen Modell. Es erreichte einen Höchstwert von 61.401 MiB und war für die endgültige VAE-Dekodierung auf Modell-Offloading angewiesen. Der Upstream-Einzel-GPU-Runner geht auch von Umgebungsvariablen für verteilte Prozesse aus und sein dokumentierter einmaliger Pfad funktioniert am besten, wenn die Kompilierung deaktiviert ist. Nachdem diese offiziellen Einstellungen angepasst wurden, wurde der Lauf zuverlässig abgeschlossen.
SoulX-FlashTalk 14B
FlashTalk war optisch stark und für die kontinuierliche Generierung in Blöcken konzipiert, aber sein 14B-Kaltstart war teuer.
FlashTalk erzeugte ein stabiles Gesicht mit klarer Mundbewegung. Der erste generierte Block dauerte 119,58 Sekunden, da TorchInductor sein Diagramm kompilierte. Spätere Stücke dauerten jeweils etwa 3,75 Sekunden. Das lässt den 331,93 Sekunden dauernden Kaltjob schlimmer aussehen, als es sich bei einem aufgewärmten Streaming-Einsatz anfühlen würde.
Der Kompromiss ist die Infrastruktur. Der maximale VRAM betrug 57.805 MiB und der persistente Cache war mit 51,07 GiB der größte in diesem Test. Es gehört zu einer GPU der 80-GB-Klasse, es sei denn, die Bereitstellung fügt aggressiveres Offloading oder Quantisierung hinzu.
EchoMimicV3-Flash
EchoMimic lieferte die beste praktische Balance: saubere Identität und Lippenbewegung auf einem günstigeren L40S.
EchoMimicV3-Flash war der überzeugendste Einsatzkandidat. Seine 1,3B-8-Schritte-Pipeline erzeugte ein sauberes 25-fps-Video, bewahrte das Gesicht gut und lief auf einem L40S statt auf einem H200. Die Mund- und Körperbewegungen waren subtiler als bei LongCat, aber es gab weniger störende Vollbildänderungen.
Unsere offizielle Konfiguration mit 768 Bereichen erreichte einen Spitzenwert von 33.726 MiB. Das Projekt wirbt für Modi mit geringerem Speicherbedarf, daher handelt es sich hierbei um eine beobachtete Nutzung für unsere Einstellungen und nicht um eine Aussage über das theoretische Minimum. Sein Cache von 22,28 GiB war weniger als halb so groß wie der der 14-B-Modelle.
SoulX-FlashHead 1.3B Lite
FlashHead war deutlich kleiner, aber der enge Ausschnitt, die weichere Identität und die schwächere Mundbewegung machten es zum am wenigsten überzeugenden Ergebnis.
FlashHead Lite erreichte einen Spitzenwert von nur 5.763 MiB, eine Größenordnung unter den großen Generatoren. Wie bei FlashTalk wurde das kalte Timing von der erstmaligen Kompilierung dominiert. Der erste Block dauerte 155,7 Sekunden, während die späteren Blöcke jeweils etwa 0,19 Sekunden dauerten.
Das ist für einen stets warmen Streaming-Dienst interessant und deutet darauf hin, dass er auf deutlich günstigerer Hardware als dem hier verwendeten L40S laufen könnte. Für einen professionellen Landingpage-Clip würden wir jedoch das stärkere visuelle Ergebnis von EchoMimic wählen.
Warum LTX-2.3 DubIt hier kein Video hat
LTX-2.3 DubIt unterscheidet sich von den oben genannten audiogesteuerten Modellen. Es nimmt ein stimmhaftes Referenzvideo und einen Zieltext und generiert dann passende Sprache und Lippenbewegungen, wobei versucht wird, die stimmliche Identität des Sprechers beizubehalten.
Sein Code ist öffentlich, aber offiziell Lightricks/LTX-2.3-22b-IC-LoRA-DubIt Checkpoint hat einen Autorisierungsfehler von Hugging Face zurückgegeben. Da wir in der Testumgebung kein genehmigtes Token hatten, wurde der Job während der reinen CPU-Gewichtungsvorbereitung gestoppt, bevor eine GPU zugewiesen wurde.
Wir haben keinen Spiegel eines Drittanbieters eingesetzt, der das offizielle Zugangstor umgeht. Reproduzierbarkeit und Zugriff sind Teil der Evaluierung einer Open-Source-Veröffentlichung. Sobald der offizielle Zugang genehmigt wurde, kann der vorbereitete Modal-Läufer denselben Test mit dem öffentlichen Referenzvideo und dem Zielsatz durchführen.
Behält jedes Modell eine Stimme bei oder wählt sie sie aus?
Die meisten Avatar-Modelle wählen oder klonen keine Stimme. Sie animieren eine bereitgestellte Audiodatei und fügen dann denselben Ton in das endgültige Video ein. Die Spracherstellung ist ein separater Text-to-Speech- oder Voice-Cloning-Schritt.
| Modell | Eingebauter Sprachwähler | Verwendet bereitgestellte Sprache | Lernt von einer Referenzstimme | Was wir beobachtet haben |
|---|---|---|---|---|
| Wan2.2-S2V-14B | Nein | Ja | Nein | Eingabeaudio bleibt erhalten, Korrelation 0,999897 |
| LTX-2.3 DubIt | Kein Sprachmenü | Nein, es braucht Zieltext | Ja, aus dem vertonten Referenzvideo | Nicht gelaufen, da die Gewichte blockiert waren |
| LongCat-Video-Avatar 1.5 | Nein | Ja | Nein | Eingabeaudio bleibt erhalten, Korrelation 0,999562 |
| LiveAvatar | Nein | Ja | Nein | Eingabeaudio bleibt erhalten, Korrelation 0,999897 |
| SoulX-FlashTalk | Nein | Ja | Nein | Eingabeaudio bleibt erhalten, Korrelation 0,999751 |
| EchoMimicV3-Flash | Nein | Ja | Nein | Eingangsaudio erhalten, Korrelation 0,999198 |
| SoulX-FlashHead | Nein | Ja | Nein | Eingabeaudio bleibt erhalten, Korrelation 0,999751 |
Die winzigen Unterschiede sind auf Resampling und AAC-Codierung zurückzuführen, nicht auf einen anderen synthetisierten Lautsprecher. Mit anderen Worten: Die sechs erfolgreichen Modelle können eine echte Aufnahme, einen genehmigten Klon, der an anderer Stelle erstellt wurde, oder eine beliebige TTS-Stimme verwenden. Sie verändern die Stimmidentität selbst nicht.
DubIt ist die Ausnahme. Sein Zweck besteht darin, eine neue Sprache in der Zielsprache oder im Zielskript zu erstellen, die der Stimme im Referenzvideo ähnelt. Das macht es zum Überspielen nützlich, aber sein ausgegebenes Audio ist keine Wellenformkopie des Originals.
Parameter, die es wert sind, optimiert zu werden
Die Standardeinstellungen sind nicht unbedingt die beste Einstellung für jede Fläche oder Bereitstellung. Dies sind die Steuerelemente mit der höchsten Auswirkung, die Sie testen sollten, bevor Sie den Modellcode ändern:
| Modell | Parameter, die am wichtigsten sind | Wahrscheinlicher Kompromiss |
|---|---|---|
| Wan2.2-S2V-14B | Rauschunterdrückungsschritte, Führungsskala, Ausgabebereich, Seed, optionales Pose-Video | Mehr Schritte und Pixel erhöhen die Latenz deutlich; Posenkontrolle kann die Körperbewegung verbessern |
| LTX-2.3 DubIt | Eingabeaufforderung, Zieltext, Länge des Referenzvideos, LoRA-Stärke, Seed | Eine stärkere Konditionierung kann die Identität verbessern, aber die natürliche Variation verringern |
| LongCat-Video-Avatar 1.5 | 8-stufiger destillierter vs. vollständiger Pfad, Quantisierung, Führung, Seed, Kontextparallelität | Volle Präzision oder mehr Schritte können die Detailgenauigkeit verbessern, erfordern jedoch mehr Speicher und Zeit |
| LiveAvatar | Beispielschritte, Ausgabebereich, FP8, Modell-Offload, Kompilierung | Kompilierung hilft bei wiederholten Aufgaben; Offload spart Speicher, fügt aber Übertragungen hinzu |
| SoulX-FlashTalk | Chunk-Größe, Überlappung, Zusammenstellung, Audioführung, Seed | Größere Blöcke können die Kontinuität verbessern, erhöhen jedoch die Latenz und den Speicher |
| EchoMimicV3-Flash | Inferenzschritte, Führungsskala, Audioführung, Stichprobengröße, Startwert | Eine stärkere Audioführung kann die Mundbewegung verstärken, sie jedoch möglicherweise übertreiben |
| SoulX-FlashHead | Lite vs. vollständiger Checkpoint, Zuschneiden, Chunk-Länge, Kompilierung | Das Vollmodell sollte die Qualität bei höheren Speicherkosten verbessern; Die Ernte beeinflusst die Zusammensetzung stark |
Für einen fairen Produkttest stimmen Sie jeweils eine Variable auf dasselbe Porträt und dieselbe Vertonung ab. Der nützlichste erste Durchgang wäre eine Audioführung für EchoMimic, Beispielschritte für LiveAvatar, Zuschnitt und vollständige Checkpoint-Qualität für FlashHead sowie eine warme zweite Anfrage für beide SoulX-Modelle.
Wie die Hardware wirklich aussieht
Die sechs erfolgreichen Generatoren lassen sich in drei praktische Infrastrukturgruppen einteilen:
- Unter 16 GB: SoulX-FlashHead Lite ist der einzige getestete Vollgenerator, der eindeutig passt. Seine Spitzenkapazität von 5,8 GB lässt Platz für eine 12-GB- oder 16-GB-Karte, obwohl Latenz und Framework-Unterstützung noch auf Consumer-Hardware validiert werden müssen.
- 48-GB-Klasse: EchoMimicV3-Flash lief auf einer L40S mit 33,7 GB problemlos. Die Belegung von 46,8 GB durch LongCat liegt für einen zuverlässigen Einsatz auf einer 48-GB-Karte zu nah am Limit.
- 80-GB-Klasse: Wan2.2-S2V, LiveAvatar, SoulX-FlashTalk und LongCat sind auf GPUs der H100- oder H200-Klasse mit 80 GB oder mehr am sichersten.
Auch die dauerhafte Speicherung ist wichtig. FlashHead und EchoMimic verbrauchen etwa 7,6 bzw. 22,3 GiB. Die großen Modelle benötigen jeweils etwa 45 bis 51 GiB. Das gleichzeitige Hosten aller Caches in diesem Artikel würde weit über 200 GiB verbrauchen, vor Container-Images, Ausgaben und temporären Dateien.
Modal eignet sich gut für Experimente, da Container auf Null skaliert werden können, während Modell-Caches auf persistenten Volumes verbleiben. Nach diesem Test meldete jede Modal-App keine laufenden Aufgaben und keine GPU war weiterhin aktiv.
Was wir heute verwenden würden
Es gibt keinen einzelnen Gewinner für jeden Avatar-Workflow:
- Verwenden Sie LiveAvatar wenn die Bild-zu-Video-Qualität am wichtigsten ist und eine 80-GB-GPU verfügbar ist. Es lieferte unser schärfstes Ergebnis bei großen Modellen und hatte den schnellsten H200-Kaltauftrag.
- Verwenden Sie EchoMimicV3-Flash für das beste praktische Gleichgewicht zwischen Qualität und Infrastruktur. Es lief auf einem günstigeren L40S, nutzte einen viel kleineren Cache und lieferte ein sauberes Ergebnis.
- Verwenden Sie LongCat-Video-Avatar 1.5 wenn ausdrucksstarke Körperbewegungen wichtiger sind als konservative Identitätswahrung.
- Verwenden Sie SoulX-FlashHead Lite wenn niedriger VRAM und warme Streaming-Geschwindigkeit wichtiger sind als nur Politur.
Das überraschendste Ergebnis war nicht, dass das größte Modell am besten aussah. EchoMimic kam diesem Ergebnis sehr nahe, obwohl es eine günstigere GPU und weniger als die Hälfte des Speichers des Modells verwendete. Die Open-Source-Avatar-Generierung ist mittlerweile praktikabel, aber die Bereitstellungsstrategie ist immer noch genauso wichtig wie der Kontrollpunkt.