美团 LongCat-Video-Avatar 1.6 支持超过十分钟的音频驱动数字人。十分钟是个门槛,过去的方案几分钟就开始漂。

长视频为什么容易漂?

三个原因。身份特征累积偏移,口型与音频逐渐失配,光影和背景不一致。

三个里第一个最明显,看久了会觉得脸变了。

十分钟意味着什么?

意味着可以覆盖完整的课程、访谈、产品讲解。过去要分段生成再拼接,现在可以一次出。

一次出的好处是没有接缝,坏处是错误也会连续出现。

音频驱动要注意什么?

三点。音频质量,噪声会直接影响口型。语速,太快会糊。停顿,长停顿容易让画面僵。

第二点最容易被忽略。快语速的口型准确率明显下降。

怎么保证身份稳定?

两条。第一,给足参考图,多角度。第二,控制单段时长,超长时分段但保留重叠帧。

第二条是工程折中。完全不分段最稳,但算力要求高。

适合什么业务?

四类。课程录制,一次成片。企业培训,标准化内容。产品讲解,多语言版本。虚拟主播,长时段播报。

四类共同点:以口播为主,镜头变化少。

不适合什么业务?

三类。需要大量动作的。需要复杂场景切换的。需要情绪表演的。

三类都要真人或更复杂的管线。

成本怎么算?

按分钟算,加上重生成率。长视频重生成成本高,所以一次通过率很关键。

建议先做一分钟样片,确认效果再放大。

有哪些合规注意?

三点。肖像授权,声音授权,内容标注。第三点在部分平台是强制要求。

用真人形象做数字人,授权必须书面。

这篇的核心结论是什么?

数字人的门槛从能不能做,变成了能不能稳定做十分钟。稳定比逼真更值钱。

还有哪些需要留意的点?

具体时长上限与效果以官方为准。长视频建议分段生成加重叠校验。

去论坛讨论

前往 ziyuanagi.com 论坛 参与讨论