快速领取步骤： 请访问 https://gravatar.com/注册/登录 前往个人资料设置。 寻找“免费一年！”的横幅/选项。 选择您的自定义域名并完成结账。 6 个帖子 - 6 位参与者 阅读完整话题
IT之家 5 月 22 日消息，美团技术团队今日正式开源了其数字人视频生成模型 LongCat-Video-Avatar 1.5。 官方介绍称，该版本在唇形同步、物理合理性、长视频稳定性、多人互动及推理效率方面均实现了升级，旨在推动数字人视频生成从“高拟真”走向“真可用”的商业化场景。该版本在 1.0 版本的基础上完成全面升级，定位从“开源 SOTA”走向“商业级应用”。 据介绍，这一版本在基础体验上进行了强化，能够应对长句、快语速、歌唱等复杂语音输入，使唇部运动更精准平滑，同时面部表情、头部姿态与肢体动作也更为协调。 在场景支持方面，借助高质量数据体系，模型可稳定处理真人、动漫、动物等多种主体，并在多人对话场景中自然区分说话者与聆听者。 推理部署方面，LongCat-Video-Avatar 1.5 采用 DMD 蒸馏技术，将生成步数从 50 步压缩至 8 步，推理效率提升约 15 倍，生成一段 10 秒视频仅需约 1 分钟。 从技术架构来看，1.5 版本主要在三方面实现升级。首先是基础体验的商用化，模型将音频特征提取编码器从 Wav2Vec2 升级为 Whisper-large，凭借更大的参数量和更丰富的多语言先验，能够更细致地捕捉音素变化与发音节奏，从而提升唇形同步与全身时序稳定性，减少长视频中的抖动、跳帧和身份漂移。 龙猫团队还构建了一套多阶段数据处理流程，包括离线标注和在线验证，并专门增加了多人数据、静默数据和情绪数据三类增强数据，以应对虚拟人生成的典型难点。 此外，通过逐帧级的 GRPO（Group Relative Policy Optimization）偏好对齐，模型针对手部稳定性和动作连续性进行优化，缓解了手部畸变和动作不连贯等问题。 在性能评测方面，美团基于 EvalTalker 构建了覆盖新闻、教育、娱乐等场景的综合基准。由 770 名评估者完成的 13,240 条主观评分及 10 名专家的结构化分析显示，在物理合理性、时间稳定性、身份一致性和音视频协调性四个维度上，LongCat-Video-Avatar 1.5 的雷达图面积处于领先水平。 用户偏好对比中，该模型相比 Kling Avatar 2.0 胜率为 65.9%，相比 OmniHuman-1.5 胜率为 61.1%，相比 HeyGen 胜率为 54.3%。 在多人场景中，其得分大幅领先 InfiniteTalk；主体变形问题率仅为 23.1%，跳帧问题率低至 0.8%，均优于对比模型。 美团方面表示，数字人视频生成正在从展示效果走向真实使用，希望此次开源能成为一个可验证、可改进、可共建的技术基座，让开发者和创作者基于此探索更多应用边界。 开源链接： Github： https://github.com/meituan-longcat/LongCat-Video HuggingFace： https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5 Tech Report： https://github.com/meituan-longcat/LongCat-Video/blob/main/assets/LongCat-Video-Avatar-1.5-Tech-Report.pdf Project Page： https://meigen-ai.github.io/LongCat-Video-Avatar-1.5-Page/ Modelscope： https://www.modelscope.cn/models/meituan-longcat/LongCat-Video-Avatar-1.5/summary
前两天在 V2EX 分享过一次 OpenTalking ，当时主要介绍的是实时数字人完整链路：LLM 、STT 、TTS 、数字人视频驱动、WebRTC 播放、字幕同步和用户打断。 这两天我们又继续往前推进了一版，重点不是单独换某个模型，而是把实时数字人里比较影响体验的工程链路再补一补。 项目地址： https://github.com/datascale-ai/opentalking 这次主要做了几件事： 1. Avatar 资产管理和缓存预热 2. 新增了几个内置的 Avartar 资 之前做数字人 demo 的时候，一个比较麻烦的地方是：不同后端对 Avatar 资产的要求不一样。 比如 Wav2Lip 需要预处理帧和嘴型 metadata ，QuickTalk 会有自己的 template 和 face cache ，FlashTalk 又是另外一套实时推理链路。 如果每个模型都各管各的，后面加角色、切模型、做 WebUI 展示都会很乱。 所以这两天主要在整理 Avatar 资产结构，让前端选择一个角色之后，后端能更明确地知道： 这个 Avatar 支持哪些模型； 哪些缓存已经准备好； 哪些需要提前预热； 缺失时应该怎么提示或自动准备。 目标是让用户不是“点一下角色，然后等模型慢慢现算”，而是尽量把可以提前做的事情前置掉。 QuickTalk / Wav2Lip 的链路继续对齐 上次我们已经支持了 wav2lip 、musetalk 、flashtalk 、quicktalk 等几种模式。 这次继续补的是 QuickTalk 和 Wav2Lip 的资产处理一致性，尤其是预览、缓存、模板视频和 runtime 之间的关系。 简单说，就是希望同一个 Avatar 在 WebUI 里看起来是一个角色，而不是用户需要理解背后每个模型各自的目录结构。 对开发者来说，这样后面新增 Avatar 或者新增模型后端也会更清楚一点。 本地 ASR / TTS 方向开始整理 之前为了让大家更容易跑起来，默认链路里很多语音能力会走云 API 。 这两天也开始把本地语音链路补起来，比如本地 SenseVoiceSmall 做 ASR ，本地 CosyVoice 做 TTS ，并且在前端里标注清楚哪些是本地模型，哪些是云端 API 。 这个方向还在继续调，但目标很明确：OpenTalking 不能只做一个云 API 拼起来的 demo ，也要能支持更本地化、更可控的部署方式。 端到端 benchmark 工具 实时数字人最怕只看单点效果。 单独看 TTS 很快，或者单独看 talking head 模型能跑，不代表完整体验就顺。 所以这次也加了端到端 benchmark 的方向，用来更系统地看： 语音输入到识别； LLM 流式回复； TTS 首包； 视频首帧； 字幕和播放状态； 打断和下一轮恢复。 后面优化低延迟体验的时候，不能只凭感觉说“快了”，需要有一套能复现的指标。 目前项目还比较早期，但这几天的方向基本是：从“能跑一个 demo”，继续往“更容易部署、更容易加角色、更容易评估体验”走。 后面还会继续做： 更低的首帧延迟； 更清晰的 Avatar 资产库； 更多本地模型组合； QuickTalk / Wav2Lip / FlashTalk 等后端的体验对齐； 面向电商、主播、客服、培训等场景的案例整理。 欢迎大家继续试用、提 issue 、拍砖。 也想听听大家对实时数字人最在意的是哪块：低延迟、本地部署、口型效果、音色复刻、Avatar 制作，还是完整产品链路？
v 站的 ugly-avatar 系列丑头像使用数量是真高啊，建议站长大人直接改为官方头像系统
大家好，这是我做的一个头像生成小工具： fan-avatar 。 它基于开源头像库 DiceBear 开发，内置 30 种不同头像风格 ，支持随机生成、头像美化、历史记录、下载保存、自定义背景等功能。 还在纠结头像用什么？打开它点一下，就能随机生成一个独一无二的头像。 工具里包含卡通人物、像素风、极简图标、机器人、抽象图案等多种画风，每种风格都有大量随机组合。生成结果不满意，可以继续随机；觉得差一点意思，也可以使用美化功能，对头像进行简单调整。 喜欢的头像可以直接下载，支持透明背景和自定义底色，适合用在社交账号、论坛头像、游戏资料、临时昵称头像等场景。 简单来说，它不是那种复杂的 AI 头像生成器，而是一个轻量、快速、有点上头的随机头像小玩具。没事点两下，可能就刷到一个挺顺眼的头像。
大家好，这是我做的一个头像生成小工具： fan-avatar 。 它基于开源头像库 DiceBear 开发，内置 30 种不同头像风格 ，支持随机生成、头像美化、历史记录、下载保存、自定义背景等功能。 还在纠结头像用什么？打开它点一下，就能随机生成一个独一无二的头像。 工具里包含卡通人物、像素风、极简图标、机器人、抽象图案等多种画风，每种风格都有大量随机组合。生成结果不满意，可以继续随机；觉得差一点意思，也可以使用美化功能，对头像进行简单调整。 喜欢的头像可以直接下载，支持透明背景和自定义底色，适合用在社交账号、论坛头像、游戏资料、临时昵称头像等场景。 简单来说，它不是那种复杂的 AI 头像生成器，而是一个轻量、快速、有点上头的随机头像小玩具。没事点两下，可能就刷到一个挺顺眼的头像。
大家好，这是我做的一个头像生成小工具： fan-avatar 。 它基于开源头像库 DiceBear 开发，内置 30 种不同头像风格 ，支持随机生成、头像美化、历史记录、下载保存、自定义背景等功能。 还在纠结头像用什么？打开它点一下，就能随机生成一个独一无二的头像。 工具里包含卡通人物、像素风、极简图标、机器人、抽象图案等多种画风，每种风格都有大量随机组合。生成结果不满意，可以继续随机；觉得差一点意思，也可以使用美化功能，对头像进行简单调整。 喜欢的头像可以直接下载，支持透明背景和自定义底色，适合用在社交账号、论坛头像、游戏资料、临时昵称头像等场景。 简单来说，它不是那种复杂的 AI 头像生成器，而是一个轻量、快速、有点上头的随机头像小玩具。没事点两下，可能就刷到一个挺顺眼的头像。
大家好，这是我做的一个头像生成小工具： fan-avatar 。 它基于开源头像库 DiceBear 开发，内置 30 种不同头像风格 ，支持随机生成、头像美化、历史记录、下载保存、自定义背景等功能。 还在纠结头像用什么？打开它点一下，就能随机生成一个独一无二的头像。 工具里包含卡通人物、像素风、极简图标、机器人、抽象图案等多种画风，每种风格都有大量随机组合。生成结果不满意，可以继续随机；觉得差一点意思，也可以使用美化功能，对头像进行简单调整。 喜欢的头像可以直接下载，支持透明背景和自定义底色，适合用在社交账号、论坛头像、游戏资料、临时昵称头像等场景。 简单来说，它不是那种复杂的 AI 头像生成器，而是一个轻量、快速、有点上头的随机头像小玩具。没事点两下，可能就刷到一个挺顺眼的头像。