模型发布

LongCat-Video-Avatar-1.5:升级版音频驱动数字人视频生成框架

原文标题:meituan-longcat/LongCat-Video-Avatar-1.5

AI 摘要

美团LongCat团队发布了LongCat-Video-Avatar-1.5,一个专注于音频驱动数字人视频生成的开源框架。其核心升级在于采用Whisper-Large音频编码器,显著优化了唇部动态的流畅度与自然度。该版本实现了精准的唇形同步、全身时序稳定性以及长视频中的身份一致性,并能泛化应用于动漫、动物及多人交互等复杂场景。通过基于DMD2的步蒸馏技术,模型仅需8步即可高效推理。团队还构建了一个涵盖多场景、多语言的人工评估基准,通过大规模主观评分与专家分析,验证了其在多项关键维度上的优异性能。

关键信息

  • 美团LongCat团队发布了LongCat-Video-Avatar-1.
  • 5,一个专注于音频驱动数字人视频生成的开源框架。
  • 其核心升级在于采用Whisper-Large音频编码器,显著优化了唇部动态的流畅度与自然度。
  • 该版本实现了精准的唇形同步、全身时序稳定性以及长视频中的身份一致性,并能泛化应用于动漫、动物及多人交互等复杂场景。
  • 通过基于DMD2的步蒸馏技术,模型仅需8步即可高效推理。

速览

发布时间
更新时间
来源
美团 LongCat:HuggingFace 新模型
分类
模型发布
AI 评分
73
阅读原文 前往信息源阅读完整正文
推荐理由

美团把数字人模型升级到1.5版,换了Whisper做音频编码,唇形同步比之前自然不少,而且开源了训练代码,做电商直播和虚拟博主的朋友可以直接拿过来跟商业方案掰手腕。

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻:LongCat-Video-Avatar-1.5:升级版音频驱动数字人视频生成框架。2026年5月21日。https://new.nat6.net/news/cmpfoox6408bdsljwnbdhvasf/

查看全部 →
  • 腾讯开源Hy-MT2多语言翻译模型

    腾讯正式开源Hy-MT2多语言翻译模型,支持33种语言间的无缝互译。其7B与30B-A3B版本在开源模型中达到最先进的翻译性能,超越了许多参数规模大数十倍的模型。更具突破性的是,1.8B轻量级版本性能超越微软等主流商业API,并凭借腾讯A…

    X:腾讯混元 (@TencentHunyuan)模型发布AI 评分 74

  • Qwen3.7-Max:面向Agent时代的旗舰模型

    Qwen3.7-Max是Qwen系列面向Agent时代推出的最新旗舰模型,旨在为能完成实际任务的智能体提供强大基础。其核心能力包括:可作为端到端编码智能体,处理前端原型与多文件重构;作为可靠的办公助手,通过MCP集成与多智能体编排协同工作…

    X:通义千问 / Qwen (@Alibaba_Qwen)模型发布AI 评分 82

  • 阿里通义千问Qwen3.7-Max上线OpenRouter

    阿里巴巴通义千问团队的全新Qwen3.7-Max现已登陆OpenRouter。 作为Qwen3.7系列的旗舰模型,专为以智能体为核心的工作场景打造:编程、办公与生产力任务,以及长周期自主执行。在编程和智能体基准测试中较Qwen3.6有显著…

    X:OpenRouter (@OpenRouter)模型发布AI 评分 78

  • Gemini 3.5 Flash快速整理混乱输入

    Gemini 3.5 Flash能快速提供整理好的结果,无论输入多么混乱。 看看Gemini如何将与客户的聊天和文本,转化为您小企业可用的文档。

    X:Gemini (@GeminiApp)模型发布AI 评分 74