2026年6月25日，美团LongCat团队正式发布并开源了LongCat-Video-Avatar 1.5——数字人视频建模的重大升级版本。该版本在五个关键领域实现了全面突破，在数字人领域的商业应用前景上迈出了重要一步。
第一项升级在"唇形同步"方面。V1.5版本采用了音视频联合注意力机制，将音频特征和视频特征的融合从"后期拼接"改进为"前期融合"。在测试中，音画同步精度从V1.0的86毫秒误差降低到了23毫秒，几乎达到了人类视觉感知无法分辨的极限。这意味着数字人的嘴部运动与语音的匹配达到了接近真人水平。
第二项升级是"物理合理性"的大幅提升。V1.5版本引入了人体物理约束模块，确保数字人在说话时头部、肩部和手臂的微动作符合人体解剖学的物理规律。数字人的姿态不再像V1.0中那样"僵硬"或"机械"，而是具有了自然的身体语言和微表情。
第三项升级——"长视频稳定性"——是数字人商业化应用中最关键的突破之一。V1.0版本在生成长视频时，画面质量和角色一致性会随着时长的增加而明显下降，尤其是超过3分钟后就容易出现画面闪烁、角色变形等问题。V1.5版本引入了基于历史帧的时序一致性约束，使得在生成5-10分钟的数字人视频时，画面质量和角色外观能够保持稳定。这对于直播带货、企业宣讲、在线教育等需要较长时长的场景至关重要。
第四项升级——"多人交互"——是V1.5版本中最令人兴奋的新能力。V1.5首次支持了多数字人在同一画面中的自然交互，包括对话场景中的视线接触、轮流发言时的姿态转换、多人场景下的空间位置协调等。这一能力为AI虚拟直播间的"主播+助播"互动模式、在线教育中的"师生对话"场景、以及虚拟会议中的多人讨论场景提供了技术支持。
在测试场景中，两个数字人进行"对话式"视频生成——A数字人提出问题，B数字人回答，两者之间的眼神交流、点头示意和姿态转换都极为自然。美团方面表示，多人交互数字人的应用场景广泛，从直播带货的"双主播"模式到在线教育的一对一辅导，从虚拟新闻联播到多人游戏直播，都有着巨大的商业潜力。
第五项升级——"推理效率"——是V1.5版本最具实用价值的突破。V1.0版本在消费级GPU上生成1分钟的数字人视频需要约15分钟的推理时间，实时性远远不够。V1.5版本通过模型量化和推理加速技术的综合优化，将推理速度提升了约8倍——在NVIDIA RTX 4090上生成1分钟的视频仅需约2分钟，基本实现了"接近实时"的生成体验。
效率提升的关键在于两项技术创新：一是"流式推理"架构——模型不需要等待整段音频生成完毕再开始视频推理，而是可以边接收音频输入边输出视频帧，大幅缩短了端到端的延迟。二是"动态帧率"策略——模型根据画面变化的剧烈程度自动调整生成帧率，在静止或变化缓慢的场景降低帧率节省算力，在运动激烈的场景提高帧率保证画质。
推理效率的革命性提升使数字人技术的应用门槛大幅降低。过去，运行一个商业级数字人系统需要昂贵的专业GPU集群，只有像电视台和大型企业这样的机构才能负担得起。而现在，一台搭载RTX 4090的个人电脑就能运行V1.5模型，实现接近实时的数字人视频生成。这一变化将使数字人技术向更广泛的应用场景和用户群体扩散。
与LongCat系列的其他模型一样，LongCat-Video-Avatar 1.5也选择了开源模式。美团希望借助开源社区的集体智慧来加速数字人技术的迭代和应用创新，同时为公司在数字人商业化生态中占据有利位置打下基础。
从商业应用角度来看，LongCat-Video-Avatar 1.5的开源对数字人产业链的影响是多重的。对于数字人创业公司，V1.5的发布意味着他们不再需要从零研发核心的数字人生成技术，而是可以在开源模型的基础上快速搭建商业应用，大幅缩短产品开发周期。对于大型企业客户，开源模式也意味着更大的技术自主权和定制空间——他们可以根据自己的业务需求对模型进行二次开发和优化。
值得注意的是，美团在开源的同时也推出了"LongCat数字人云服务"——面向企业客户的托管式数字人解决方案。这一"开源+云服务"的双轨策略既通过开源建立生态影响力，又通过云服务获取商业回报，是一种成熟的开源商业化模式。如果LongCat系列能够在数字人领域建立起类似Red Hat在Linux领域的生态地位，美团的AI投入将获得长期的战略回报。
来源：美团LongCat GitHub、机器之心、36氪、雷锋网、数字人产业观察
发布时间：2026-06-26