美团龙猫数字人模型开源15倍提速：10秒视频只需1分钟

美团龙猫大模型团队今天把商用级数字人视频生成模型 LongCat-Video-Avatar1.5 开源了，在唇形同步、多人互动、推理效率等维度直接对飙商业产品，而且生成 10秒 视频只要 约1分钟——比上一代快了一个数量级。

三大升级：专治数字人“抖、畸、慢”

传统数字人视频常见的 抖动、畸变、高延迟 问题，这个版本做了三刀精准手术：

基础体验商用化：音频编码器换血

• 音频特征提取从 Wav2Vec2 升级为 Whisper-large（参数量更大，多语言先验更丰富）。有开发者试了说，长句、快语速、唱歌时嘴唇终于能对上，面部、头部、肢体动作跟语音也能自然协同，长视频里的跳帧和身份漂移明显减少。

强开放域泛化：多阶段数据灌入

团队构建了一套“离线标注+在线验证”的流水线，专门注入三类数据：

• 多人数据：用主动说话人检测消除歧义，准确区分谁在说、谁在听。
• 静默数据：挑未说话的视频片段，让模型学会无语音时的自然微表情，避免配角乱张嘴。
• 情绪数据：帧级情绪识别精筛，模型能理解语音和表情的深层关联。

手部与连续性专项对齐：引入 GRPO

针对电商直播、产品展示等频繁露手的场景，模型用了 GRPO（人类偏好对齐），奖励信号细化到逐帧，还加了首帧手部检测。群里在传，手部畸变、局部结构崩塌、动作不连贯这些行业硬伤被压下去不少。

推理效率飙升15倍：告别昂贵算力

• 采用 DMD（分布匹配蒸馏）技术，生成步骤从 50步 压缩到 8步。
• 架构换成“一个共享基础模型 + 多个 LoRA 适配器”，替代传统三模型并行方案，显存大幅释放。
• 实测 15倍 推理效率提升，生成 10秒 视频只要 约1分钟——这速度商用不心疼算力了。

基准评测：全面碾压头部商业模型

基于 EvalTalker 评测基准，770名 评估者与 10名 专家对新闻、教育、娱乐等复杂场景做了结构化打分：

• 用户偏好胜率：相比 Kling Avatar2.0 胜率 65.9%；相比 OmniHuman-1.5 胜率 61.1%；相比 HeyGen 胜率 54.3%。
• 单/多人场景得分：单人场景 3.336，显著高于 HeyGen；多人场景 2.730，大幅领先 InfiniteTalk（2.339）。
• 画面稳定性：主体变形率仅 23.1%，背景变形率仅 9.4%；跳帧问题率低至 0.8%，所有对比模型中最好。
• 音视频协调性：面部-身体同步问题率 5.1%，唇形同步问题率 29.8%，均优于传统商业系统。

开源链接（直接拿去跑）

• Github: https://github.com/meituan-longcat/LongCat-Video
• HuggingFace: https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5
• Tech Report: https://github.com/meituan-longcat/LongCat-Video/blob/main/assets/LongCat-Video-Avatar-1.5-Tech-Report.pdf
• Project Page: 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

接下来盯着看什么

• HeyGen、Kling 这类商业数字人产品会不会被迫降价或开源？
• 手部畸变虽然缓解，但 GRPO 在复杂手势下的泛化能持续多久？
• 开源社区能不能基于这个基座堆出更便宜的数字人直播、客服方案？