美团开源数字人 LongCat-Video-Avatar 1.6:长口播嘴不飘、人不走样

分享

美团把开源数字人模型 LongCat-Video-Avatar 升级到 1.6,MIT 协议可商用:嘴型更自然,长视频接着生成不再越来越不像,推理也更快。看懂它能做什么、普通显卡怎么跑,附一段让 AI Agent 帮你判断能不能跑、选哪条路的提示词。

美团 LongCat 团队把开源数字人模型 LongCat-Video-Avatar 升级到了 1.6,权重放在 Hugging Face,用的是 MIT 协议,商用也行。这次没加什么花哨功能,主要修了做口播最烦人的两个毛病:嘴型看着假,视频一长人就走样。

它能做什么

给它一段说话的音频,它生成对应的人物视频,嘴型跟着声音动。支持这几种用法:

用法 你给它什么 适合
音频 + 文字描述 一段配音,加一句"什么样的人、在什么场景" 没有人物照片,想直接生成一个讲解员
音频 + 人物图片 一段配音,加一张人像 用固定形象做系列口播
续接 在已有的片段后面接着生成 做几分钟以上的长视频
多人 每个人各自的音频 对话、访谈类视频

1.6 改了什么

按官方模型页的说法,和 1.5 比有三处变化:

  • 嘴更自然:以前嘴张得太用力,嘴唇红得不真实,嘴部还会一闪一闪,这版都减轻了。脸、头和身体的动作也更协调。
  • 长视频不容易崩:长视频是一段一段往后接着生成的,以前每接一段误差就多一点,越到后面人越不像。这版压住了这种累积,官方说能做 10 分钟以上,人还是那个人。
  • 生成更快:整条流程做了提速,另外附带一个可选的 INT8 压缩版权重,占用更小。

官方还做了一轮真人投票对比,参加的有 OmniHuman-2.0、HeyGen、可灵 Kling Avatar 2.0 等商用产品。1.6 排第二,只输给 OmniHuman-2.0,排在 HeyGen 和可灵前面。这是美团自己组织的评测,参考一下就好。

普通电脑能不能跑

官方示例是两张显卡一起跑的,环境要装 PyTorch、FlashAttention 这些,对家用显卡不太友好。想在自己的显卡上用,更现实的路子是 ComfyUI:社区插件 WanVideoWrapper 已经支持上一版 1.5,也有人放出了 fp8、GGUF 这类压缩版,显存不够时可以用 block swap 把一部分权重放到内存里。1.6 的 ComfyUI 支持暂时没核实,可能还要等插件更新。

怎么上手

不想自己折腾环境,可以把下面这段交给你的 AI Agent,让它先帮你判断能不能跑、用哪条路:

我想试试美团开源的数字人模型 LongCat-Video-Avatar 1.6(Hugging Face:meituan-longcat/LongCat-Video-Avatar-1.6),用一段配音加一张人像生成口播视频。请帮我:

1. 先查我电脑的显卡型号和显存,告诉我能不能按官方方式跑,还是只能走 ComfyUI
2. 去模型页和 WanVideoWrapper 的仓库确认现在 ComfyUI 支不支持 1.6;不支持就告诉我用 1.5 先试
3. 按你选的路线,列出要下载的文件和大概占多少硬盘,等我确认再下载
4. 装好后用一段 10 秒以内的音频先跑一条,告诉我花了多久、显存占了多少
5. 中间要装驱动、要付费或要登录账号的地方,停下来问我

先给我看你的判断和计划,不要直接开始装。

先用 10 秒的短音频试,是因为这类模型第一次跑最容易卡在环境和显存上,短的出错快、好排查,跑通了再上长视频。

注意

  • 人像要有授权:拿别人的照片和声音做数字人,可能侵犯肖像权和声音权益,发布前也按平台要求标注 AI 生成。
  • 效果以官方说法为准:嘴型和长视频稳定性的改进、排名,都来自美团自己的模型页,实际效果要自己跑一条看。
  • 硬盘和下载量大:要同时下载底座模型 LongCat-Video 和 Avatar 1.6 两套权重,先留够空间。

想看用商用模型一句话做数字人短片的思路,可以读这条经验。

读完了?标记一下,记录学习进度。登录
收藏起来,稍后再看登录
对这篇有疑问?向 Ask AI 提问

评论(0)

还没有评论,来说第一句。

登录后参与讨论。登录

继续学习

查看全部
Meta Muse 开始有自己的专属邮箱了
入门·3 分钟·2026年11月20日
把 AI 热点站改成你自己行业的日报站
入门·3 分钟·2026年11月20日
ChatGPT 语音输入能边说边出字了
入门·2 分钟·2026年11月20日