美团开源 LongCat-Video-Avatar 1.5：数字人视频从“彩排”走向“真舞台” 生成 10 秒视频仅需 1 分钟
美团开源LongCat-Video-Avatar1.5模型，推动数字人视频从高拟真迈向商业可用。新版本强化了复杂语音的唇形同步与多主体生成能力，并能自然处理多人对话场景。通过技术优化，生成10秒视频仅需约1分钟，效率大幅提升。评测显示，其在多项核心指标上表现领先，为开发者提供了更实用的数字人生成基座。
数字人视频生成领域，最近迎来一个重量级选手的更新。美团技术团队正式开源了其LongCat-Video-A vatar模型的1.5版本。
这次升级，官方定位非常明确：从追求“高拟真”的学术标杆，转向打造“真可用”的商业级工具。简单来说，就是不仅要看着像，更得用着顺。
具体有哪些提升？首先是基础体验的全面强化。新版本能够更从容地应对长句子、快语速甚至歌唱这类复杂语音输入，确保唇形同步精准又自然。与此同时，面部表情、头部姿态和肢体动作的协调性也上了一个台阶，整体观感更加流畅。
在场景适应性上，模型借助更高质量的数据体系，可以稳定处理真人、动漫角色乃至动物等多种生成主体。一个更实用的突破是，它现在能较好地处理多人对话场景，可以自然地区分谁是说话者，谁又在聆听。
当然，效率是商业化的关键门槛。1.5版本在推理部署上下了狠功夫，通过DMD蒸馏技术，将生成步数从50步大幅压缩至仅需8步。这意味着什么？推理效率提升了大约15倍。生成一段10秒的视频，现在只需要1分钟左右，实用性大大增强。
技术架构的三大升级
支撑这些体验改进的，是底层技术架构的实质性升级，主要集中在三个方面。
第一，是基础体验的商用化打磨。模型将音频特征提取的编码器从Wa v2Vec2升级为参数量更大、多语言先验更丰富的Whisper-large。这个改动能更细致地捕捉语音中的音素变化和发音节奏，从而显著提升唇形同步的准确性以及全身动作的时序稳定性。带来的直接好处，就是有效减少了长视频中容易出现的画面抖动、跳帧和角色身份漂移问题。
第二，是数据体系的系统化构建。为了攻克虚拟人生成的典型难点，龙猫团队搭建了一套多阶段的数据处理流程，涵盖了离线标注和在线验证。特别值得注意的是，他们针对性增加了三类增强数据：用于训练多人交互能力的“多人数据”、提升静默状态自然度的“静默数据”，以及让表情更生动的“情绪数据”。这套组合拳，直指当前数字人生成的痛点。
第三，是通过偏好对齐优化细节。模型采用了逐帧级的GRPO（Group Relative Policy Optimization）技术进行偏好对齐，专门针对手部稳定性和动作连续性进行优化。这有助于缓解数字人视频中常见的手部畸变和动作不连贯等“小毛病”，让整体生成质量更加细腻。
性能评测：处于领先水平
光说不练假把式，性能还得看实测。美团基于自建的EvalTalker基准，覆盖了新闻播报、教育讲解、娱乐互动等多个实际场景，进行了一次大规模评测。
这项由770名评估者完成超过1.3万条主观评分，并结合10名专家结构化分析的结果显示，在物理合理性、时间稳定性、身份一致性和音视频协调性这四个核心维度上，LongCat-Video-A vatar 1.5的综合表现雷达图面积处于领先水平。
在具体的用户偏好对比中，该模型相比其他主流模型也展现出优势：对比Kling A vatar 2.0的胜率为65.9%，对比OmniHuman-1.5的胜率为61.1%，对比HeyGen的胜率为54.3%。
尤其在处理多人场景时，其得分大幅领先于InfiniteTalk模型。在衡量生成稳定性的关键指标上，它的主体变形问题率控制在23.1%，跳帧问题率更是低至0.8%，这两项数据均优于参与对比的其他模型。
从这次开源可以看出，数字人视频生成技术正在跨越从“技术演示”到“生产工具”的鸿沟。正如美团团队所表达的，他们希望LongCat-Video-A vatar 1.5能成为一个坚实、可验证、可持续改进的技术基座。让更多的开发者和创作者能够基于此，去探索虚拟数字人在更多元场景下的应用边界。
项目已开源，相关链接如下：
- Github：https://github.com/meituan-longcat/LongCat-Video
- HuggingFace：https://huggingface.co/meituan-longcat/LongCat-Video-A vatar-1.5
- 技术报告：https://github.com/meituan-longcat/LongCat-Video/blob/main/assets/LongCat-Video-A vatar-1.5-Tech-Report.pdf
- 项目主页：https://meigen-ai.github.io/LongCat-Video-A vatar-1.5-Page/
- Modelscope：https://www.modelscope.cn/models/meituan-longcat/LongCat-Video-A vatar-1.5/summary
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
AirBuddy 3 是面向 macOS 的蓝牙外设增强工具，可集中查看 AirPods、Beats 与苹果设备电量，提供快速连接、播放控制、电量提醒、桌面小组件和多台 Mac 外设接力等功能。
AirServer macOS版可把 Mac 转换为无线投屏接收端，通过 AirPlay 或 Google Cast 接收手机、平板和电脑画面，并支持多设备同时连接、高清镜像及会话录制，适合家庭娱乐、课堂教学、会议演示和应用展示。
火山引擎是字节跳动旗下企业级云与AI服务平台。聚焦大模型核心能力，依托字节自研豆包多模态大模型，凭借火山方舟一站式平台，提供模型精调、推理部署、智能应用搭建等全链路服务，结合高性能AI算力，助力各行业快速落地大模型数字化与智能化应用。
PixTV 是一款在浏览器中使用的 AI 视觉内容创作平台，提供图片、视频、音频、文字生成、AI 分镜、局部重绘、提示词反推和无限画布等工具，适合短剧、漫剧、广告及社交媒体内容制作。
Autodesk Maya 是面向影视、电视、动画和游戏行业的专业三维制作软件，集多边形与 NURBS 建模、角色绑定、关键帧和动作捕捉动画、Bifrost 特效模拟、材质开发及 Arnold 渲染于一体，