LongCat-Video-Avatar 1.5：照片加音频生成口播数字人

口播视频的门槛从来不在写稿，在出镜：布光、拍摄、剪辑，半天就没了。美团 LongCat 团队的 LongCat-Video-Avatar 把这件事压成两个输入——一张人物照片、一段音频，输出带口型同步的口播视频。1.5 版于 2026 年 5 月 21 日发布，代码和权重全部开源。视频号「榕哥AI落地」宣传语是“虚拟人口播要进白菜价时代”，指的就是这个项目；它的评测场景也正好对上视频里列的新闻播报、知识课程、电商带货。

核心功能

• 照片加音频出片：不需要训练或微调形象，一张图片配一段音频直接生成人物开口说话的视频，官方支持 Audio-Text-to-Video、Audio-Text-Image-to-Video 等原生任务。
• Whisper 口型同步：1.5 版把音频编码器从 Wav2Vec2 换成 Whisper-Large，唇形跟随更顺滑自然。
• 长视频稳定：官方称在长视频生成中保持全身时序稳定与身份一致，不再出现越长越崩的情况。
• 风格泛化：动漫角色、动物、多人互动、手持物体这类复杂场景都能处理，不只是真人头像。
• 单轨与多轨音频：支持单人输入，也支持多轨音频驱动多角色，适合对话类内容。
• 8 步推理：基于 DMD2 的步数蒸馏把推理压到 8 NFE，出片速度和成本一起降下来。

典型使用场景

• 新闻播报与知识课程：固定形象加每日文案，批量出带口型的播报视频。
• 电商带货讲解：商品图配讲解音频，生成虚拟主播口播，不用真人出镜。
• 动漫与虚拟IP内容：风格化角色也能开口，配音即出片。

快速上手

代码在 meituan-longcat/LongCat-Video 仓库，权重在 Hugging Face：

git clone --single-branch --branch main https://github.com/meituan-longcat/LongCat-Video
cd LongCat-Video
pip install -r requirements.txt

README 另要求 torch 2.6.0（CUDA 12.4）与 flash_attn 2.7.4.post1。想跳过环境，社区已有 ComfyUI 节点（如 rookiestar28/ComfyUI-LongCat-Avatar）和 RunPod 镜像可用。

小结

LongCat-Video-Avatar 适合想批量做口播内容又不想出镜的团队，也适合研究音频驱动视频的开发者；想要“传个照片几分钟出片”的轻度用户，托管服务更省心，比如 HeyGen 这类商用平台。代码 MIT 协议，截至 2026-10-01 约 8.4k 星。要留意：本地推理对显存和 CUDA 环境要求不低，出片是离线渲染，做不了实时直播——需要实时交互的话看 LiveTalking。