凤凰网科技讯 12月18日，美团LongCat团队正式发布并开源虚拟人视频生成模型LongCat-Video-Avatar。该模型基于其此前开源的LongCat-Video基座构建，支持通过音频、文本或图像生成虚拟人视频，并具备视频续写功能。

据介绍，新模型重点提升了动作拟真度、长视频生成稳定性与身份一致性。其通过“解耦无条件引导”技术使虚拟人在语音间歇也能呈现眨眼、调整姿势等自然状态。针对长视频生成中常见的画面质量退化问题，团队提出了“跨片段隐空间拼接”策略，旨在避免重复编解码带来的累积误差，声称可支持生成长达5分钟的视频并保持画面稳定。

在身份一致性方面，模型采用了带位置编码的参考帧注入与“参考跳跃注意力”机制，以在保持角色特征的同时减少动作僵化。团队表示，在HDTF、CelebV-HQ等公开数据集的评测中，该模型在唇音同步精度与一致性指标上达到当前先进水平，并在涵盖商业推广、知识教育等场景的综合测试中表现领先。

本文转自：凤凰网科技

原文地址： https://tech.ifeng.com/c/8pBkLOQ9B37