Quatro modelos de avatar falante de código aberto comparados: custo por minuto, tempo de render e qualidade

Já fiz avatares falantes com quatro modelos abertos: FlashHead Pro, MiniMax H3, LTX-2.5 e LongCat. Os quatro fazem o mesmo trabalho: entram um retrato e uma locução, sai um vídeo com sincronização labial.

Um minuto de vídeo pronto custa de cerca de 4 centavos a cerca de US$ 4, uma diferença de 100×, e a qualidade varia na mesma medida. Gastei cerca de US$ 300 do meu próprio tempo de GPU com eles, rodando meus próprios projetos por horas, então esta comparação se baseia em renders longos de verdade. Cada modelo tem seu próprio guia e um template gratuito; esta página é sobre escolher entre eles.

Os números lado a lado

Meus renders no RunPod, preços sob demanda, outubro de 2026, por minuto de vídeo pronto:

Os requisitos de hardware variam na mesma medida. O FlashHead Pro tem pico de 6,4 GB de VRAM e roda em qualquer placa RTX 30, 40 ou 50 com 8 GB ou mais; testei em uma RTX 3080 Laptop GPU de 8 GB. O LongCat precisa de 32 GB de VRAM mais 60 GB ou mais de RAM do sistema.

Todo modelo renderiza em trechos

A primeira coisa que aprendi fazendo esses vídeos: nenhum desses modelos renderiza um minuto de uma vez. Eles renderizam 5, 7 ou 10 segundos por vez, e os trechos são unidos em um único vídeo. Meus templates fazem a união por você.

Eles renderizam em trechos porque, em uma geração longa, o rosto se desvia e começa a falhar. Então a diferença real entre os modelos é o que acontece em cada emenda.

• O LTX-2.5 e o MiniMax H3 voltam à foto original a cada trecho, mais ou menos a cada 5–7 segundos. Ainda assim fica bem orgânico.
• O LongCat leva o movimento adiante a partir do último trecho, então é contínuo. Só forço um reinício para o retrato a cada 40–60 segundos. O template do FlashHead Pro também renderiza de forma contínua por padrão, sem voltar ao retrato.

FlashHead Pro: o mais barato

O FlashHead Pro é extremamente rápido: um segundo de vídeo em cerca de dois segundos em uma RTX 5090, então um minuto renderiza em menos de dois minutos por cerca de 4 centavos. Também dá para rodá-lo localmente em uma placa de consumo, como uma 3080 ou uma 4060. Fica mais lento, talvez 10 segundos de render por segundo de vídeo, mas ainda muito rápido.

As ressalvas: a qualidade não é das melhores, e ele é treinado só com recortes de rostos de 512 × 512, então não há ombros nem mãos. Mas, se você precisa de duas horas de um apresentador no canto da tela e a qualidade não importa muito, é a escolha ideal. Guia completo: FlashHead Pro.

MiniMax H3: o badalado

O MiniMax H3 está recebendo muita atenção porque é um pouco mais barato e um pouco mais rápido que alguns dos outros. Mas, para avatares, ele não é bom.

• A aderência ao prompt é ruim. Ele pode mudar o rosto ou a roupa, então você sempre precisa descrevê-los no prompt, o que raramente é necessário com os outros modelos.
• Ele dá zoom no rosto sem motivo, mesmo quando o prompt diz sem zoom e com câmera estável.

A licença dele também exclui os EUA, a UE, o Reino Unido e a Coreia do Sul, inclusive o local onde o pod roda. Pode servir para vídeos de entretenimento, mas, para avatares, não acho que valha a pena. Guia completo, com as soluções alternativas: MiniMax H3.

LTX-2.5: meu favorito

O LTX-2.5 é o mais interessante para mim. Ele entrega um apresentador consistente que pode rodar para sempre: o primeiro e o último quadro de cada trecho são o mesmo rosto neutro, então o avatar fala, volta ao neutro e começa a falar de novo. Para um apresentador, isso fica bem natural.

Meu template encontra as pausas na sua locução e corta trechos de 3–12 segundos entre elas, e um script une tudo em um único vídeo longo. As emendas não são perfeitas: o ruído muda um pouco de um trecho para outro. É algo com que consigo conviver. Em uma RTX 5090, sai por cerca de 20 centavos por minuto, e 30 minutos de vídeo levam algumas horas para renderizar. Guia completo: LTX-2.5.

LongCat: a melhor qualidade

O LongCat é treinado especificamente com pessoas falando, e isso aparece: movimento real das mãos e um enquadramento completo de meio corpo. Ele renderiza trechos de 3,7 segundos, mas leva o movimento de um para o seguinte.

O rosto de fato se desvia depois de 40, 60 ou 80 segundos, então o template reinicia a partir do retrato original. As mãos também são um risco: se saem do quadro e voltam, o modelo pode adicionar um relógio que não estava lá.

Em uma H100, um minuto de vídeo levou uma hora de render e custou cerca de US$ 4. Uma RTX PRO 4500 leva cerca de três vezes mais, por cerca de US$ 2 por minuto. É a melhor qualidade, e também o mais lento e o mais caro, então não é a minha escolha do dia a dia. Guia completo: LongCat.

Código aberto vs. HeyGen, Hedra, Kling e Higgsfield

As ferramentas de avatar de código fechado são, na minha opinião, superestimadas e caríssimas. Aqui estão os preços por minuto que elas publicam, ao lado dos meus renders:

Os preços das ferramentas pagas foram conferidos entre julho e outubro de 2026 e mudam com frequência.

Então o FlashHead Pro é cerca de 80–110 vezes mais barato por minuto que o HeyGen, e o LTX-2.5 cerca de 15–20 vezes mais barato. O LongCat custa mais ou menos o mesmo que o HeyGen e o Hedra, mas o pipeline é seu.

Minhas escolhas

• Locuções longas, o mais barato possível: FlashHead Pro.
• Um apresentador de busto completo que roda por horas: LTX-2.5.
• Quando eu realmente preciso da melhor qualidade: LongCat.
• MiniMax H3: eu o dispensaria para avatares.

Como rodar

Cada modelo tem um template gratuito no GitHub e um template de um clique no RunPod; os links estão em cada guia. Você pode rodar qualquer um deles de duas formas:

• No RunPod, com o template de um clique, tudo configurado. Se você é novo nele, comece pela minha introdução ao RunPod.
• Localmente no ComfyUI, se a sua GPU for grande o bastante: peça ao Claude (ou a qualquer IA) para baixar os arquivos do GitHub e instalá-los na ordem do setup.sh.

Cadastre-se pelo meu link de indicação do RunPod e você recebe de US$ 5 a US$ 500 em créditos no RunPod. Sem um link de indicação, não há bônus. Eu recebo o mesmo bônus e uso em computação.

Anton Tenitsky é artista 3D com mais de 15 anos em computação gráfica, que trabalhou com Nickelodeon, Gameloft, Marvel Rivals e muitos outros clientes. Mais sobre mim