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
- 分类
- 模型发布
- AI 评分
- 73
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。
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/