什么值得买App下载 App ›
连续签到专享现金活动

8步生成数字人视频!美团开源LongCat 1.5,消费级显卡就能跑

018步生成数字人视频
2026年5月22日,美团技术团队正式开源 LongCat-Video-Avatar 1.5 版本,该模型将音频驱动数字人视频生成的推理步骤从传统扩散模型的约50步压缩至仅8步。基于 DMD(Distribution Matching Distillation)蒸馏技术,推理效率提升约15倍,生成一段10秒视频仅需约1分钟。这一优化显著降低了计算成本与时间门槛,使数字人视频生成从“实验室演示”迈向“真实业务可用”。模型支持480P与720P分辨率输出,并兼容 INT8 量化,在消费级显卡上即可流畅运行,为内容创作者和中小企业提供可落地的技术方案。123
02核心性能指标全面领先
LongCat-Video-Avatar 1.5 在多项关键指标上表现突出。美团基于 EvalTalker 构建了覆盖新闻、教育、娱乐等场景的综合评测基准,邀请770名评估者完成13,240条主观评分,并由10名专家进行结构化分析。结果显示,该模型在物理合理性、时间稳定性、身份一致性和音视频协调性四个维度的雷达图面积处于领先水平。用户偏好测试中,其相比 Kling Avatar 2.0 胜率达65.9%,优于 OmniHuman-1.5(61.1%)和 HeyGen(54.3%)。在多人对话场景中,得分2.730,大幅领先 InfiniteTalk 的2.339。此外,主体变形问题率仅为23.1%,跳帧问题率低至0.8%,均优于对比模型,有效缓解了长视频生成中的常见缺陷。243
维度LongCat-Video-Avatar 1.5Kling Avatar 2.0InfiniteTalk
生成步数8步约50步约50步
10秒视频生成耗时约1分钟约15分钟约12分钟
用户偏好胜率—65.9%多人场景显著领先
跳帧问题率0.8%未公开(高于0.8%)未公开(高于0.8%)
主体变形问题率23.1%高于23.1%高于23.1%
03技术架构与功能升级
LongCat-Video-Avatar 1.5 基于13.6B参数的 LongCat-Video 统一 DiT 视频生成架构构建,在三个层面实现系统性升级。首先,音频编码器由 Wav2Vec2 升级为 Whisper-large-v3,凭借更强的多语言先验和音素捕捉能力,显著提升唇形同步精度与发音节奏匹配度。其次,通过多阶段数据处理流程,补充多人对话、静默状态及情绪表达三类增强数据,强化模型在复杂场景下的泛化能力。第三,采用逐帧级 GRPO(Group Relative Policy Optimization)偏好对齐机制,优化手部稳定性与动作连续性,有效缓解手部畸变与动作不连贯问题。模型原生支持单人/多人音频输入、视频续写、歌唱表演及动漫/动物角色驱动,覆盖电商营销、虚拟主播、AI短剧等主流应用场景。567
04开源协议与使用限制
LongCat-Video-Avatar 1.5 采用 MIT 开源协议,允许个人及企业免费商用、修改与分发,无额外使用限制。模型权重、推理代码、技术报告及部署指南均已同步公开。开发者可通过 GitHub、Hugging Face、ModelScope 及鲸智社区获取资源。GitHub 仓库地址为 meituan-longcat/LongCat-Video,Hugging Face 与 ModelScope 提供同名模型页面。项目支持 ComfyUI 与 Python 原生环境部署,建议 GPU 显存不低于8GB,RTX 3060/4060 等消费级显卡即可运行720P视频生成任务。INT8 量化技术进一步降低显存占用约40%,提升本地部署可行性。483
05降低数字人视频制作门槛
LongCat-Video-Avatar 1.5 的开源标志着数字人视频生成技术进入高效、稳定、低成本的新阶段。通过将生成流程压缩至8步,配合 MIT 协议开放,该模型显著降低了开发者与内容创作者的使用门槛。无论是短视频批量生产、电商直播口播,还是虚拟会议、AI短剧制作,用户均可在本地环境中快速部署并生成高质量视频。对于关注数字人应用落地的开发者而言,建议优先验证其在多人交互、长视频续写及跨风格泛化(如动漫、动物)场景下的表现,并结合 INT8 量化与 LoRA 适配器机制优化推理成本。该版本的发布,为开源社区提供了接近商业级闭源系统的替代方案。7910

评论

评论区空态插画

当前文章无评论,是时候发表评论了