Meituan：LongCat-Video-Avatar 1.5 技术报告 开源音视频生成框架

LongCat-Video-Avatar 1.5 是由美团龙猫团队开发的开源音视频生成框架，旨在将学术原型提升至商业级应用水平。该系统通过升级 Whisper-large 音频编码器和实施严苛的数据清洗流水线，显著增强了唇形同步、身份一致性以及长视频的稳定性。技术上，它结合了 GRPO 强化学习以优化视觉质量，并利用 DMD2 蒸馏技术将推理速度加速至 8 步，实现了效率与画质的平衡。研究报告显示，该模型在多角色互动、动画及动物等复杂场景中表现出极强的泛化能力。在针对 500 多个案例的人类评估中，其在真实感、肢体合理性和时序稳定性方面均达到或超越了 HeyGen 和 Kling 等主流闭源系统。通过开放源代码，该项目为工业化部署高质量、低延迟的数字人技术提供了重要方案。