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
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 1.5 | Kling Avatar 2.0 | InfiniteTalk |
|---|---|---|---|
| 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
当前文章无评论,是时候发表评论了