DoNews12月18日消息,據(jù)“龍貓 LongCat”公眾號推文,美團(tuán) LongCat 團(tuán)隊正式發(fā)布并開源 SOTA 級虛擬人視頻生成模型 ——LongCat-Video-Avatar。

該模型基于 LongCat-Video 基座打造,延續(xù)“一個模型支持多任務(wù)”的核心設(shè)計,原生支持 Audio-Text-to-Video、Audio-Text-Image-to-Video 及視頻續(xù)寫等核心功能,同時在底層架構(gòu)上全面升級,實現(xiàn)動作擬真度、長視頻穩(wěn)定性與身份一致性三大維度的突破。
據(jù)介紹,該模型具備如下技術(shù)亮點。
“告別僵硬,迎接鮮活”:不僅能指揮嘴型,還能同步指揮眼神、表情和肢體動作,實現(xiàn)豐富飽滿的情感表達(dá)。
連“不說話”的時候,都很像人:美團(tuán)通過 Disentangled Unconditional Guidance(解耦無條件引導(dǎo))訓(xùn)練方法,讓模型明白了“靜音”不等于“死機(jī)”。在說話的間歇,虛擬人也會如同人類一般自然地眨眼、調(diào)整坐姿、放松肩膀。
據(jù)介紹,LongCat-Video-Avatar 因此成為首個同時支持文字、圖片、視頻三種生成模式的“全能選手”,虛擬人從此有了“真正的生命力”。
在 HDTF、CelebV-HQ 、EMTD 和 EvalTalker 等權(quán)威公開數(shù)據(jù)集上的定量評測表明,LongCat-Video-Avatar 在多項核心指標(biāo)上達(dá)到 SOTA 領(lǐng)先水平。
