Ya he hecho avatares parlantes con cuatro modelos abiertos: FlashHead Pro, MiniMax H3, LTX-2.5 y LongCat. Los cuatro hacen el mismo trabajo: entran un retrato y una locución, sale un vídeo con sincronización labial.
Un minuto de vídeo terminado cuesta desde unos 4 céntimos hasta unos 4 $, una diferencia de 100×, y la calidad varía igual de mucho. Me he gastado unos 300 $ de mi propio tiempo de GPU en ellos, ejecutando mis propios proyectos durante horas, así que esta comparación se basa en renders largos reales. Cada modelo tiene su propia guía y una plantilla gratuita; esta página trata de elegir entre ellos.
En resumen
- El más barato: FlashHead Pro, unos 0,04 $ por minuto, pero solo el rostro.
- Mi favorito: LTX-2.5, un presentador de busto completo por unos 0,19 $ por minuto que puede funcionar durante horas.
- La mejor calidad: LongCat, medio cuerpo con manos, pero unos 1–4 $ por minuto y hasta una hora de render por minuto.
- Descartable para avatares: MiniMax H3. Mala adherencia al prompt, zooms aleatorios y una licencia que excluye EE. UU., la UE, el Reino Unido y Corea del Sur.
- Frente a las herramientas de pago: FlashHead Pro es unas 100× más barato que HeyGen; LongCat cuesta más o menos lo mismo.
Las cifras lado a lado
Mis renders en RunPod, precios bajo demanda, octubre de 2026, por minuto de vídeo terminado:
| Modelo | Resultado | GPU | Tiempo de render por minuto | Coste por minuto | Vídeo de 10 minutos |
|---|---|---|---|---|---|
| FlashHead Pro | Rostro, 512 × 512 | RTX 5090 | ~1,8 min | ~0,04 $ | ~0,40 $ |
| MiniMax H3 | Busto, 768 × 768 | RTX 5090 | ~6,6 min | ~0,13 $ | ~1,30 $ |
| MiniMax H3 | Busto, 768 × 768 | RTX A5000 | ~16 min | ~0,07 $ | – |
| LTX-2.5 | Busto | RTX 5090 | ~9 min (estimación) | ~0,19 $ | ~1,90 $ |
| LongCat | Medio cuerpo, 960 × 960 | H100 | ~1 h | ~4 $ | 10–40 $ |
| LongCat | Medio cuerpo, 960 × 960 | RTX PRO 4500 | ~2,7 h | ~2 $ | |
| LongCat | Medio cuerpo, 640 × 640 | RTX PRO 4500 | ~1,4 h | ~1 $ |
Los requisitos de hardware varían igual de mucho. FlashHead Pro llega como máximo a 6,4 GB de VRAM y funciona en cualquier tarjeta RTX 30, 40 o 50 con 8 GB o más; lo probé en una RTX 3080 Laptop GPU de 8 GB. LongCat necesita 32 GB de VRAM más 60 GB o más de RAM del sistema.
Todos los modelos renderizan por trozos
Lo primero que aprendí haciendo estos vídeos: ninguno de estos modelos renderiza un minuto de una vez. Renderizan 5, 7 o 10 segundos cada vez, y los trozos se unen en un solo vídeo. Mis plantillas hacen la unión por ti.
Renderizan por trozos porque en una generación larga el rostro se desvía y empieza a fallar. Así que la diferencia real entre los modelos es lo que pasa en cada unión.
- LTX-2.5 y MiniMax H3 vuelven a la foto original en cada trozo, más o menos cada 5–7 segundos. Aun así se ve bastante orgánico.
- LongCat arrastra el movimiento desde el último trozo, así que es continuo. Solo fuerzo un reinicio al retrato cada 40–60 segundos. La plantilla de FlashHead Pro también renderiza de forma continua por defecto, sin volver al retrato.
FlashHead Pro: el más barato
FlashHead Pro es rapidísimo: un segundo de vídeo en unos dos segundos en una RTX 5090, así que un minuto se renderiza en menos de dos minutos por unos 4 céntimos. También puedes ejecutarlo en local en una tarjeta de consumo como una 3080 o una 4060. Es más lento, quizá 10 segundos de render por segundo de vídeo, pero sigue siendo muy rápido.
Las salvedades: la calidad no es gran cosa, y está entrenado solo con recortes de rostros de 512 × 512, así que no hay hombros ni manos. Pero si necesitas dos horas de un presentador en una esquina de la pantalla y la calidad no importa mucho, es la opción ideal. Guía completa: FlashHead Pro.
MiniMax H3: el del bombo
MiniMax H3 está recibiendo mucha atención porque es un poco más barato y un poco más rápido que algunos de los otros. Pero para avatares no es bueno.
- La adherencia al prompt es mala. Puede cambiar el rostro o la ropa, así que siempre tienes que describirlos en el prompt, algo que con los otros modelos rara vez hace falta.
- Hace zoom sobre el rostro sin motivo, incluso cuando el prompt dice que no haya zoom y que la cámara esté estable.
Su licencia además excluye EE. UU., la UE, el Reino Unido y Corea del Sur, incluido el lugar donde se ejecuta el pod. Puede valer para vídeos de entretenimiento, pero para avatares no creo que merezca la pena. Guía completa, con las soluciones: MiniMax H3.
LTX-2.5: mi favorito
LTX-2.5 es para mí el más interesante. Te da un presentador coherente que puede funcionar indefinidamente: el primer y el último fotograma de cada trozo son el mismo rostro neutro, así que el avatar habla, vuelve al gesto neutro y empieza a hablar de nuevo. Para un presentador, eso se ve bastante natural.
Mi plantilla encuentra las pausas de tu locución y corta trozos de 3–12 segundos entre ellas, y un script lo une todo en un solo vídeo largo. Las uniones no son perfectas: el ruido cambia un poco de un trozo a otro. Es algo con lo que puedo vivir. En una RTX 5090 sale a unos 20 céntimos por minuto, y 30 minutos de vídeo tardan unas horas en renderizarse. Guía completa: LTX-2.5.
LongCat: la mejor calidad
LongCat está entrenado específicamente con personas hablando, y se nota: movimiento de manos real y un encuadre completo de medio cuerpo. Renderiza trozos de 3,7 segundos pero arrastra el movimiento de uno al siguiente.
El rostro sí se desvía al cabo de 40, 60 u 80 segundos, así que la plantilla reinicia desde el retrato original. Las manos también son un riesgo: si salen del encuadre y vuelven, el modelo puede añadir un reloj que no estaba.
En una H100, un minuto de vídeo llevó una hora de render y costó unos 4 $. Una RTX PRO 4500 tarda unas tres veces más, por unos 2 $ por minuto. Es la mejor calidad, y también la más lenta y la más cara, así que no es mi opción para el día a día. Guía completa: LongCat.
Código abierto frente a HeyGen, Hedra, Kling y Higgsfield
Las herramientas de avatar de código cerrado están, en mi opinión, sobrevaloradas y son carísimas. Estos son sus precios publicados por minuto junto a mis renders:
| Herramienta | Precio por minuto terminado | Fuente |
|---|---|---|
| FlashHead Pro (mis renders) | ~0,04 $ | este sitio |
| LTX-2.5 (mis renders) | ~0,19 $ | este sitio |
| LongCat (mis renders) | ~1–4 $ | este sitio |
| HeyGen Avatar IV API | ~3–4 $ | Ayuda de HeyGen, Anam |
| Hedra Character-3 (720p) | ~3 $ | AdTestBench |
| Kling Avatar v2 | ~3,40 $ Standard, ~6,90 $ Pro | CostGoat |
| Higgsfield Speak 2.0 | ~5,50–12 $, según el plan | Aliteq |
| Seedance 2.0, 720p (un modelo de vídeo general) | De ~9 $ (BytePlus) a ~18 $ (fal) | useapi.net, Wireflow |
Los precios de las herramientas de pago se comprobaron entre julio y octubre de 2026 y cambian a menudo.
Así que FlashHead Pro es unas 80–110 veces más barato por minuto que HeyGen, y LTX-2.5 unas 15–20 veces más barato. LongCat cuesta más o menos lo mismo que HeyGen y Hedra, pero el pipeline es tuyo.
Mis elecciones
- Locuciones largas, lo más barato posible: FlashHead Pro.
- Un presentador de busto completo que funcione durante horas: LTX-2.5.
- Cuando de verdad necesito la mejor calidad: LongCat.
- MiniMax H3: yo lo descartaría para avatares.
Cómo ejecutarlos
Cada modelo tiene una plantilla gratuita en GitHub y una plantilla de un clic en RunPod; los enlaces están en cada guía. Puedes ejecutar cualquiera de ellos de dos formas:
- En RunPod, con la plantilla de un clic, todo preparado. Si es nuevo para ti, empieza por mi introducción a RunPod.
- En local en ComfyUI, si tu GPU es lo bastante grande: pídele a Claude (o a cualquier IA) que descargue los archivos de GitHub y los instale en el orden de
setup.sh.
| Modelo | GitHub |
|---|---|
| FlashHead Pro | tenitsky/flashhead-pro-avatar |
| MiniMax H3 | tenitsky/minimax-h3 |
| LTX-2.5 | tenitsky/ltx-2.5-template-files |
| LongCat | tenitsky/longcat-avatar |
Regístrate con mi enlace de referido de RunPod y recibirás entre 5 y 500 $ en créditos de RunPod. Sin un enlace de referido no hay bonificación. Yo recibo la misma bonificación y la uso para cómputo.
Ver la versión en vídeo (5:56)
Todo lo anterior también está en el vídeo, si prefieres seguirlo en pantalla. El vídeo está en inglés.
Preguntas frecuentes
¿Cuál es el modelo de avatar parlante de código abierto más barato?
De los cuatro que probé, FlashHead Pro: unos 0,04 $ por minuto terminado en una RTX 5090, con un minuto renderizado en unos 1,8 minutos. El resultado es un recorte del rostro de 512 × 512.
¿Qué modelo de avatar de código abierto tiene la mejor calidad?
LongCat-Video-Avatar 1.5: medio cuerpo, movimiento de manos y movimiento continuo. También es el más lento y el más caro, alrededor de una hora y 4 $ por minuto terminado en una H100.
¿Cómo se comparan en precio los modelos de avatar de código abierto con HeyGen?
Frente a la API Avatar IV de HeyGen, a unos 3–4 $ por minuto, FlashHead Pro es unas 80–110 veces más barato y LTX-2.5 unas 15–20 veces más barato. LongCat cuesta más o menos lo mismo que HeyGen y Hedra.
¿Por qué los modelos de avatar renderizan por trozos?
Ninguno puede generar un vídeo largo de una vez, y el rostro se desvía y falla en las generaciones largas. Por eso renderizan de 3,7 a 10 segundos cada vez, y los trozos se unen con el audio original.
¿Puedo ejecutar estos modelos en mi propia GPU?
FlashHead Pro funciona en cualquier tarjeta RTX 30, 40 o 50 con 8 GB o más. LTX-2.5 y MiniMax H3 piden 32 GB de VRAM, y LongCat 32 GB de VRAM más 60 GB o más de RAM del sistema.
Anton Tenitsky es artista 3D con más de 15 años en gráficos por ordenador, que ha trabajado con Nickelodeon, Gameloft, Marvel Rivals y muchos otros clientes. Más sobre mí