数字人视频这事儿,过去最大的尴尬不是『像不像』,是『撑不撑得住』。前十秒惊艳,三十秒开始五官漂移,一分钟后手长到脸上——这不是段子,做过的都知道那个坑。

美团把 LongCat-Video-Avatar 1.6 开源了。我盯的是它怎么填这个坑。

它走的是音频驱动——给一段声音,生成一个人对着口型说话的视频。1.6 版改了三处:口型更自然、唇音更同步、面部和肢体动作更协调。但最关键的一句藏在后面:缓解了自回归(一帧决定下一帧、逐帧往后推的生成方式)续写的误差累积,能一口气生成超过 10 分钟。

『误差累积』听着玄,其实就是那个老毛病:一帧错一点,下一帧照着错的继续错,越滚越歪。谁把这个压住,谁就把数字人从『短视频玩具』推到了『能用的长内容工具』。这是质变,不是参数微调。

它还加了端到端推理优化。翻成人话:从音频进去到视频出来,尽量不拆成几段各干各的,少一次拼接就少一次失真。完整的部署参数也放了出来,看的人能直接估自己那点算力跑不跑得动。

人工评测攒了 33051 票,排位靠前。数字我打个折扣看——评测这东西,放出来的总是好看的那版。但方向是对的:数字人正在从『能不能生成』转向『能不能长时间稳定地生成』。

边界也说清楚。10 分钟不是终点,是及格线;口型对上了,不等于情绪、微表情、多人互动都过关。真要拿去做需要可信度的内容,现在还差得远。

美团把这么一个能打的模型开源,图什么?它不靠卖模型赚钱。它要的是把数字人生成的成本打下来,好让自家那些要用到视频的生意以后不用求人。开源在这儿不是情怀,是定价权。