LongCat Video Avatar 1.5：美团开源音频驱动虚拟形象模型
ComfyUI Wikinews
美团将 LongCat-Video-Avatar 升级至 1.5，配备 Whisper-Large 唇形同步、DMD2 8 步蒸馏和多音频支持，并提供用于音频转视频虚拟形象的 ComfyUI 自定义节点。
LongCat-Video-Avatar 1.5 是美团升级后的开源框架，用于音频驱动的人物视频生成。它基于 LongCat-Video 基础模型构建，可生成稳定、生产级的虚拟形象视频，原生支持音频-文本生成视频（AT2V）、音频-文本-图像生成视频（ATI2V）和视频续写，适用于单个或多个音频流。
1.5 版本新特性
- Whisper-Large 音频编码器取代 Wav2Vec2，带来明显更流畅、更自然的唇部动态
- 基于 DMD2 的8 步蒸馏推理，在服务成本与高视觉保真度之间取得平衡
- 生产级稳定性：精确的唇形同步、全身时间稳定性，以及在长视频中保持严格的身份一致性
- 风格化领域泛化：在动漫、动物、多人交互和物体处理等场景中表现稳健
项目页面提供了与商业服务在唇形同步和 3D 动画方面的横向对比：
ComfyUI 支持
社区节点包 ComfyUI-LongCat-Avatar 将官方 Avatar 1.5 流程适配到 ComfyUI：包含九个节点，覆盖单音频和多音频虚拟形象生成、Whisper-large-v3 音频条件、必填的 DMD distill LoRA，以及三种权重模式（单文件 .safetensors DiT、官方分片和官方 INT8 分片模型），支持 480p 和 720p 分辨率。
模型文件放入标准的 ComfyUI 目录（models/loras、models/vae、models/audio_encoders、models/diffusion_models），节点可自动下载官方分片模型。该节点包的示例工作流：
可用性
模型权重、技术报告和推理代码可通过官方 LongCat-Video 仓库和项目页面获取。
评论
使用 GitHub 登录后即可参与讨论。