美团 LongCat 开源数字人模型 1.6 版,支持超 10 分钟视频生成
摘要
美团 LongCat 团队开源音频驱动数字人视频生成模型 LongCat-Video-Avatar 1.6。新版本在口型自然度、唇音同步、面部与肢体动作协调及长视频视觉一致性上均有改进,可缓解自回归续写中的误差累积,支持生成超过 10 分钟的视频,并加入端到端推理优化。
数字人视频生成赛道的开源供给再度扩容。美团 LongCat 团队近日发布音频驱动人体视频生成模型 LongCat-Video-Avatar 1.6,并将该版本对外开源,为需要长时段数字人内容的开发者提供了一个可自主部署的选项。
从官方披露的改进方向看,1.6 版本集中针对此前音频驱动方案中较易暴露的几类问题:口型的自然程度、唇音同步精度,以及面部表情与肢体动作之间的协调性。这些指标直接决定生成画面是否具备可用的真实感,也是数字人从演示走向实际内容生产的关键门槛。
长视频能力是此次更新的另一重点。该版本改善了长视频的视觉一致性,并针对自回归续写过程中的误差累积问题作出缓解,使模型能够生成时长超过 10 分钟的视频。对于访谈、讲解、播报等需要连续出镜的场景而言,这一时长规格具备实际意义。
工程层面,LongCat-Video-Avatar 1.6 还引入了端到端推理优化,意在降低从音频输入到视频输出的整体链路开销。开源与推理优化的组合,意味着该模型更倾向于服务有落地需求的开发团队,而非仅停留在研究演示阶段。
本文由新大陆基于公开信息编辑整理
信息来源:AIHOT AIHOT原文 ↗