transcript
show notes
LongCat-Video-Avatar 1.5，这是一个旨在缩小学术原型与商业应用差距的开源音视频生成框架。该版本通过升级 Whisper-large 音频编码器和实施严谨的数据清洗流程，显著提升了唇形同步的精准度、动作的连贯性以及对复杂场景的泛化能力。为了兼顾生成质量与推理效率，研究团队引入了 GRPO 强化学习优化与 DMD 蒸馏技术，使模型能在仅需 8 步推理的情况下产出高保真视频。实验结果表明，该系统在真实感、物理合理性及身份一致性等维度上，表现出优于 HeyGen 和 Kling 等主流闭源系统的竞争力。此外，报告还详细阐述了针对多角色对话、静默状态及情感表达所设计的专项数据管线，为构建工业级数字人提供了技术支撑。
