GitHub Repo
美団、LongCat-Video-Avatar 1.6を公開 重みをオープン化し、長尺動画生成の安定性を改善
美団は11月15日、音声駆動型の人物動画モデル LongCat-Video-Avatar 1.6 の公開を発表した。MITライセンスの重みと推論コードを提供する。後処理と2種類のLoRAを使った蒸留構成を組み合わせ、10分を超える動画の一貫性を改善できるとチームは主張している。実際の品質と導入コストは、利用者による検証が必要だ。

美団のLongCatチームは11月15日、音声駆動型の人物動画生成モデル LongCat-Video-Avatar 1.6 を公開し、重みと推論コードをオープンにしたと発表した。モデルは単独人物と複数人物のシーンに対応し、音声、テキスト、または参照画像を使った動画生成や、既存クリップの続きの生成ができる。今回の更新では、口の動きの自然さと、動画を長時間にわたって延長する際に徐々に蓄積する誤差に重点を置いた。公式リリースノート
技術面の変更は、主に後処理の工程にある。チームによると、強化学習、DMDの少ステップ蒸留に用いる改良版Classifier-Free Guidance、長尺動画のロールアウト、on-policy distillationを組み合わせ、10分を超える生成でも画質、人物の同一性、時間的一貫性をより良く保てるという。こうした改善は、長尺のバーチャル人物コンテンツに直結する。短い動画で口の動きが合っていても、複数回の継ぎ足し後に同じ顔や一貫した動作を維持できるとは限らない。10分超の生成能力は、現時点ではチームが報告した結果として捉えるべきだ。技術変更の説明
デプロイでは、1.6は1.5の基本構成を引き継ぎ、DMDとOPSDの2つのLoRAを組み合わせる。公式の例では8ステップのデノイジングを行い、最初の4ステップでDMD、残りの4ステップでOPSDを使用する。開発者は混合するステップ数や重みを調整し、構造の安定性を検証できる。重みパッケージには量子化重みのみのINT8 DiTも含まれ、INT8モードとFP8モードは同時に有効化できないと説明されている。モデルカードと推論設定
評価では、チームは6つのシステムを使ってペア比較を行い、有効な人間の選好投票を33,051票集めた。1.6のBradley–Terry Eloは1068.1で、このテストではOmniHuman-2.0に次ぐ2位だった。これは公開元が実施した選好調査であり、あらゆる言語、人物、動画の長さでの品質順位を示すものではない。エンジニアリングチームは今後、対象とする音声で口の動きの同期、継ぎ足しによるドリフト、ビデオメモリ使用量、動画1分あたりの生成時間を検証するとよい。MITライセンスの重みにより、こうしたローカル検証に取り組みやすくなる。評価とライセンスの説明