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

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