LongCat-Video-Avatar-1.5：開源數位人模型的價值在長影片穩定，不只嘴型同步
美團 LongCat-Video-Avatar-1.5 以 MIT 釋出，支援 audio-text-to-video、audio-image-text-to-video 與 video continuation。官方 model card 強調 Whisper-Large 音訊編碼、長影片身份一致性、8-step inference、480P/720P、真人/動漫/動物與多角色場景；補充應用方向包括 AI 家教、配音流程、會說話的 coding agent 與遊戲 NPC，但互動式產品仍需低延遲 agent runtime。
支援 AT2V、ATI2V 與 Video Continuation，可用音訊、文字、圖片驅動人像或角色影片，並支援 single-stream / multi-stream audio。
v1.5 用 Whisper-Large 取代 Wav2Vec2，以提升 lip dynamics；官方也強調 full-body temporal stability 與 long-video identity consistency。
官方展示 broadcasting、education、daily life、entertainment、singing、commercial promotion，並提到 realistic / animated、anime、animals、多人物互動與物件操作。
| 能力 | 官方資訊 | 實務意義 |
|---|---|---|
| 授權 | MIT license。 | 商用與二次開發彈性較高，但仍需注意素材肖像權與聲音授權。 |
| 推理 | DMD2-based step distillation，8 NFE；支援 INT8 quantized DiT。 | 可降低 serving 成本與 VRAM 壓力，但仍需 GPU 環境。 |
| 解析度 | Usage tips 提到相容 480P 與 720P。 | 適合短影音/社群內容雛形；高階商業影片仍需後製與 QA。 |
| 評估 | 508 image-audio pairs、770 crowdsourced evaluators、13,240 judgments、10 experts。 | 有比純 demo 更完整的主觀/客觀評估設計，但仍需用自己的素材測。 |
第二則 Threads 補充了更產品化的想像：把 talking avatar 放到教育場景，讓 AI tutor 不只回文字或聲音，而是有一張可說話的臉。真正難點會是即時互動、教學品質與錯誤糾正，不只是生成影片。
「想像 Claude Code 有張臉」是有趣但要保守看待的方向：LongCat 這類模型更適合產生 avatar video；若要做真正互動式 coding agent，還需要低延遲語音、螢幕/IDE context、工具呼叫與 interrupt handling。
NPC 場景需要角色一致性、情緒表演、台詞安全、延遲與 runtime 成本；開源 avatar 模型提供素材生成能力，但完整遊戲互動仍需要 agent runtime 與內容審核。