美团正式开源 LongCat-Video-Avatar 1.5，作为一款从开源 SOTA 迈向商业级应用的数字人视频模型。在唇形同步、物理合理性、长视频稳定性、多人互动和高效推理上实现了全面跃升。LongCat-Video-Avatar 1.5 即便在复杂商业场景里，也能稳定、自然地输出高质量内容，让数字人视频生成从彩排室的完美演练，走向千人千面的真实舞台。

为了让数字人”更稳定、更自然”地动起来，我们在以下三方面实现能力升级：

• 基础体验全面商用化：在长句、快语速、歌唱等复杂语音输入下，唇部运动更精准平滑，面部表情、头部姿态和肢体动作更协调，整体表达自然稳定；
• 支持更丰富的场景：借助高质量数据体系，模型能稳定处理真人、动漫、动物等多类主体，多人对话更加自然且准确区分说话者与聆听者；
• 推理部署更高效：采用 DMD 蒸馏至 8 步生成，效率提升约 15 倍，更适配规模化应用和真实业务场景。

查看演示视频

开源链接

• 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

一、不止于“嘴动”，更有真实的交互力与戏剧感

1.1 音频编码器升级：让口型更精准自然

在音频特征提取环节，我们将编码器从 Wav2Vec2 升级为 Whisper-large。更大的参数量和更丰富的多语言先验，让模型能够更细致地捕捉音素变化、发音节奏和多语言韵律，准确理解”每一刻应该如何开口”。这一升级同时提升了唇形同步与全身时序稳定性——面部表情、头部姿态、肩颈和肢体动作与语音更自然地协同，大幅减少了长视频中的抖动、跳帧、画面冻结和身份漂移。

综合评测中，LongCat-Video-Avatar 1.5 的自然度、真实感和稳定性均优于部分头部闭源模型，基础生成能力满足商用需求。

查看演示视频

1.2 高质量数据体系：让模型在复杂场景中应对更自如

商业场景中数字人形态多样（真人、虚拟偶像、动漫角色甚至动物），要求模型具备强开放域泛化能力。数据质量直接决定生成上限，为此我们构建了一套多阶段数据处理流程：

• 离线标注：提取人脸关键点、人物数量、身体构图、音画同步等属性。
• 在线验证：自动过滤转场、黑帧、闪烁、跳帧等低质量片段。

同时，我们专门构建了三类增强数据来应对虚拟人生成的典型难点：

• 多人数据：通过主动说话人检测，保留同一时刻只有单一说话人发声的片段，从源头降低多人场景的音画歧义。
• 静默数据：筛选人物未说话的视频，让模型学习无语音状态下自然的微表情、视线与身体动态，避免非说话角色嘴部乱动。
• 情绪数据：结合多模态初筛与帧级情绪识别精筛，注入情绪变化过程，使模型更好理解语音、表情与身体反应的关联。

这套数据体系为模型在复杂场景中的稳定输出奠定了坚实基础。

查看演示视频

1.3 逐帧级 GRPO 偏好对齐：让多人交互场景更生动自然

在高质量数据的基础上，我们进一步针对手部稳定性和动作连续性进行专项优化。引入 GRPO（Group Relative Policy Optimization） 进行人类偏好对齐，将奖励信号细化到逐帧层面，精准修正动作不连贯、手部变形、短时结构崩塌及表情与语音不匹配等局部问题。

针对图像到视频和视频续写任务，我们还加入首帧手部检测机制，优先提高含可见手部样本的训练比例，显著缓解手部畸变。得益于此，模型在电商直播、产品展示、教学演示等场景中的自然度与稳定性得到进一步提升。

查看演示视频

1.4 八步生成，效率提升十五倍

商业级数字人不仅要”像”，还要”快”。推理成本降不下来，再好的效果也只能待在实验室里。

LongCat-Video-Avatar 1.5 采用 DMD（Distribution Matching Distillation）蒸馏，将原本 50 步的生成过程压缩到 8 步。同时，我们用一个共享基础模型 + 多个 LoRA 适配器替代传统三模型并行的方案，大幅降低显存开销。

实际测试中，实现约 15 倍推理效率提升，生成 10 秒视频仅需约 1 分钟。

二、模型性能：在真实场景中验证模型能力

我们基于 EvalTalker 构建了综合评测基准，覆盖新闻、教育、娱乐、商业等场景，并按音频（语速、情绪）和视觉（人数、姿态、遮挡）设置不同难度。由 770 名评估者完成 13,240 条主观评分，并由 10 名领域专家进行结构化质量分析。

真实场景通测：雷达面积全面领先

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上，LongCat‑Video‑Avatar 1.5 的雷达图面积处于领先水平，其在画面物理合理性、时间稳定性、身份一致性和音视频协调等方面表现更均衡。在用户偏好方面，LongCat-Video-Avatar 1.5 相比 Kling Avatar 2.0 胜率 65.9%，相比 OmniHuman‑1.5 胜率 61.1%，相比 HeyGen 胜率 54.3%，整体优于其他商业系统。

单人 & 多人场景

• LongCat-Video-Avatar 1.5 单人场景得分 3.336，显著高于 HeyGen、OmniHuman-1.5 等产品；
• LongCat-Video-Avatar 1.5 多人场景得分 2.730，大幅领先 InfiniteTalk（2.339），在说话者/聆听者区分上优势明显。

物理合理性与长时序稳定性

• 在主体变形和背景变形等问题上，主体变形问题率仅为 23.1%，低于所有对比模型；背景变形问题率为 9.4%，整体保持在较低水平。
• 在画面跳帧、色调误差累积等指标上，LongCat-Video-Avatar 1.5 表现稳定，其中跳帧问题率仅为 0.8%，是所有对比模型中最低，模型在长视频连续生成中能够更好地保持画面流畅性。

音视频协调

在面部-身体同步和唇形同步方面，LongCat-Video-Avatar 1.5 同样取得最佳表现。面部-身体同步问题率为 5.1%，唇形同步问题率为 29.8%，均低于其他对比模型，说明模型在说话人的音频、唇形、表情和动作的整体协同上更加自然。

整体来看，LongCat-Video-Avatar 1.5 在效率提升的同时，仍保持了高质量的生成能力。不仅在单人场景的自然度和真实感上保持 SOTA 表现，也在多人互动、长时序稳定性、物理合理性和音视频协调性等关键维度上展现出更强的商用潜力。

三、开源是为了走向更真实的场景

LongCat-Video-Avatar 1.5 的开源，不只是模型版本的更新，更是面向开发者和创作者的邀请。

数字人视频生成正在从”展示效果”走向”真实使用”。在这个过程中，模型会遇到更多开放场景：不同角色、不同语言、不同内容形态，以及更复杂的业务需求。我们希望 LongCat-Video-Avatar 1.5 能成为一个可验证、可改进、可共建的技术基座，让更多人基于它探索数字人视频的真实应用边界。

模型和代码已经开放。欢迎大家在自己的场景中使用、测试和反馈，也期待和社区一起，把开源数字人视频模型继续向前推进。

开源链接

• 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

| 关注「美团技术团队」微信公众号（meituantech）或访问：https://tech.meituan.com/，阅读更多技术干货！

| 本文系美团技术团队出品，著作权归属美团。欢迎出于分享和交流等非商业目的转载或使用本文内容，敬请注明“内容转载自美团技术团队”。本文未经许可，不得进行商业性转载或者使用。任何商用行为，请发送邮件至 [email protected] 申请授权。