美團將 LongCat-Video-Avatar 1.5 開源，表現優於主流封閉式模型

美團的 LongCat 大型模型團隊已正式開源 LongCat-Video-Avatar 1.5，這是一款商用級數位人類影片生成模型。此版本標誌著從開源最先進技術向實際商業部署的全面轉變，在嘴型同步、物理真實感、長影片穩定性、多人互動以及高效推論等方面均有重大提升。

三大關鍵升級，突破商業化瓶頸

為了讓數位人能在各種實際應用中穩定運作，LongCat-Video-Avatar 1.5 透過三項全面性的改進，解決了傳統數位人影片中長期存在的抖動、變形及高延遲等問題：

商用級音訊編碼升級

該模型的音訊特徵提取編碼器已從 Wav2Vec2 升級至Whisper-large。 憑藉更豐富的參數與更全面的多語言先驗知識，該編碼器現能精準捕捉細微的音素變化與語調節奏。此舉不僅提升了長句、快速語速及歌唱等複雜音訊的唇形同步效果，更實現了面部表情、頭部動作與語音之間的自然協調——顯著減少了長影片中的畫面跳幀與身份漂移現象。

透過多階段資料增強實現強健的開放域泛化

為確保在各類主體（真實人物、虛擬偶像、動漫角色及動物）上均能維持穩定表現，研究團隊開發了一套結合離線標註與線上驗證的多階段資料處理流程，並引入三種針對性增強資料類型：

多人數據：透過主動說話者偵測，消除多人場景中的視聽歧義，精準區分說話者與聽眾。

靜默數據：透過篩選無語音的影片，使模型學習靜默狀態下的自然微表情，避免非說話角色出現不必要的嘴部動作。

情緒數據：結合幀級情緒辨識過濾機制，納入情緒變化，協助模型掌握語音與面部表情之間的深層關聯。

透過 GRPO 實現手部對齊與時間連續性

針對電子商務直播和產品演示等經常出現手部影像的使用情境，該模型引入GRPO（Human Preference Alignment），將獎勵訊號精細化至幀級，並新增首幀手部偵測機制。這大幅減少了手部變形、局部結構崩塌及動作不一致等常見問題。

推論速度提升 15 倍：消除高昂的運算需求

成本是商業部署的另一關鍵因素。LongCat-Video-Avatar 1.5 採用DMD（分散式匹配蒸餾）技術，將原本 50 步驟的生成流程壓縮至僅8 步驟。 此外，研究團隊將傳統的三模型並行架構，改為單一共享基礎模型搭配多個 LoRA 適配器，大幅降低了 VRAM 的使用量。

在實際測試中，該模型的推論速度提升約15 倍 ，僅需約一分鐘即可生成一段 10 秒的影片。

基準測試：表現超越業界頂尖模型

透過 EvalTalker 基準測試，770 位評審與 10 位領域專家針對新聞、教育及娛樂等複雜領域的影片進行了結構化品質分析。結果顯示，LongCat-Video-Avatar 1.5 在多項關鍵指標上表現卓越：

用戶偏好勝率：較 Kling Avatar 2.0 高出65.9%，較 OmniHuman-1.5 高出61.1%，較 HeyGen 高出54.3%。

單人與多人情境評分：單人情境評分達3.336，遠高於 HeyGen 等競爭對手；多人情境評分為2.730，顯著優於 InfiniteTalk（2.339）。

影片穩定性：主體變形率僅 23.1%，背景變形率僅 9.4%；幀遺失率低至 0.8%，在所有對比模型中表現最佳。

音視協同：臉部與身體不同步問題率降至5.1%，嘴型不同步問題率降至29.8%，兩者均超越傳統商用系統。

美團 LongCat 大型模型團隊表示，開源 LongCat-Video-Avatar 1.5 不僅是版本更新，更是向全球開發者與創作者社群發出的邀請。 他們希望此模型能成為可驗證且可持續改進的技術基礎，協助拓展數位人類影片應用的實際應用邊界。

開源連結：

Github：https://github.com/meituan-longcat/LongCat-Video

HuggingFace：https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5

技術報告：https://github.com/meituan-longcat/LongCat-Video/blob/main/assets/LongCat-Video-Avatar-1.5-Tech-Report.pdf

專案頁面：https://meigen-ai.github.io/LongCat-Video-Avatar-1.5-Page/

Modelscope：https://www.modelscope.cn/models/meituan-longcat/LongCat-Video-Avatar-1.5/summary