title: "外面数字人一天卖 50 万，美团直接开源了——但免费不等于白嫖" description: "LongCat-Video-Avatar 1.5 开源数字人，770人评测胜率全面超越HeyGen/Kling/OmniHuman，但13.6B参数和720P上限是绕不过的代价" tags: ["数字人", "LongCat", "美团", "开源", "HeyGen"]
我花 200 块买过一次数字人视频服务。
上传照片，录一段声音，等 10 分钟，拿到一段 30 秒的口播视频。嘴形对了一半，表情像在念悼词，手部直接糊成了马赛克。
那一刻我明白了：数字人这个行业，不是技术不行，是好的太贵，便宜的不行。
然后美团把 LongCat-Video-Avatar 1.5 开源了。MIT 协议，可商用，13.6B 参数。770 人打分，胜率全面超过 HeyGen、Kling Avatar 2.0、OmniHuman 1.5。
有人算了笔账：外面数字人 Agent 一天卖 50 万，美团直接塞进 GitHub 白送。
但免费不等于白嫖。先看它到底行不行，再看代价你扛不扛得住。
770 人打出来的胜率，不是自嗨
数字人评测最怕什么？自评自夸。自己挑最好的片段，自己定评分标准，自己宣布 SOTA。
LongCat 团队这次没走这条路。他们基于 EvalTalker 构建了一套综合评测基准：
- 6 大场景：新闻播报、知识教育、日常生活、娱乐、唱歌、商业推广
- 2 种语言：中英文
- 2 种风格：写实和动画
- 508 组图文源对、770 名评测者、13240 个判断数据
- 10 名领域专家做结构化质量分析
结果：
| 对手 | LongCat 1.5 胜率 |
|---|---|
| Kling Avatar 2.0 | 65.9% |
| OmniHuman 1.5 | 61.1% |
| HeyGen | 54.3% |
三个对手全是当前市场上能打的闭源商业系统，LongCat 全部胜出。
更硬核的数据在问题率上：
| 指标 | LongCat 1.5 | 行业水平 |
|---|---|---|
| 跳帧问题率 | 0.8% | 最低 |
| 主体变形率 | 23.1% | 低于所有对比模型 |
| 背景变形率 | 9.4% | 个位数 |
| 面部-身体同步问题率 | 5.1% | 最低 |
| 唇形同步问题率 | 29.8% | 最低（但仍然三成） |
29.8% 的唇形同步问题率看着不低，但在当前技术水平下已经是全行业最低值。唇形同步是数字人最难啃的骨头，所有方案都在这个区间挣扎——LongCat 只是挣扎得最轻。
从皮影戏到真人秀：1.0 到 1.5 跨了什么
1.0 版本的数字人像皮影戏——嘴在动，身体是死的。1.5 版本终于让整个人"活"了过来。
三个关键升级：
1. 音频编码器换血：Wav2Vec2 → Whisper-Large
这不是换个零件，是换了个引擎。Whisper-Large 参数量更大、多语言先验更丰富，对音素变化和发音节奏的捕捉细腻得多。唇形精度直接上了一个台阶，连带面部表情、头部姿态、肩颈和肢体动作都更协调。
长视频中的抖动、跳帧、画面冻结、身份漂移——这些 1.0 时代的顽疾，1.5 大幅缓解。
2. 推理从 50 步砍到 8 步：DMD2 蒸馏
50 步扩散 → 8 步蒸馏，推理效率提升约 15 倍。生成 10 秒视频仅需约 1 分钟。
同时用"一个共享基础模型 + 多个 LoRA 适配器"替代传统三模型并行方案，显存开销大幅降低。
3. GRPO 逐帧偏好对齐：手不糊了，动作不断了
这是最容易被忽略但最关键的升级。传统训练是整段视频给一个奖励信号，1.5 把奖励细化到逐帧层面——精准修正手部变形、动作不连贯、短时结构崩塌、表情与语音不匹配这些局部问题。
还加入了首帧手部检测机制，优先提高含可见手部样本的训练比例。电商直播、产品展示里手部畸变这个老大难，终于有了针对性的解法。
开源数字人赛道横评
LongCat 不是唯一的开源数字人方案。但它是目前唯一敢和闭源商业方案正面叫板的。
| 维度 | LongCat 1.5 | MuseTalk | Hallo | LivePortrait | HeyGen |
|---|---|---|---|---|---|
| 开源 | ✅ MIT | ✅ | ✅ | ✅ | ❌ 闭源 |
| 可商用 | ✅ | ⚠️ 限制 | ⚠️ 限制 | ✅ Apache | ❌ 付费 |
| 参数量 | 13.6B | ~0.3B | ~0.5B | ~0.5B | 未知 |
| 多人互动 | ✅ 原生 | ❌ | ❌ | ❌ | ✅ |
| 动漫/动物 | ✅ | ❌ | ❌ | ❌ | ✅ |
| 最高分辨率 | 720P | 512P | 512P | 512P | 1080P |
| 唇形质量 | ⭐⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐ | ⭐⭐⭐⭐⭐ |
| 部署门槛 | 高（双GPU） | 低（单卡） | 低（单卡） | 低（单卡） | 零（云端） |
MuseTalk、Hallo、LivePortrait 胜在轻量，单卡就能跑，但唇形质量和场景泛化跟 LongCat 不在一个量级。HeyGen 胜在开箱即用和 1080P，但按秒收费，长期成本高。
LongCat 的定位很清晰：开源方案里质量最高，闭源方案里成本最低。
代价清醒：13.6B 不是请客吃饭
说了这么多好的，该聊聊你真正需要面对的代价了。
硬件门槛是第一道墙。
| 配置项 | 最低要求 | 推荐配置 |
|---|---|---|
| GPU | 2×A100 80G | 2×H100 80G |
| 显存（INT8量化） | ~40G | ~80G |
| 内存 | 64G | 128G |
| 硬盘 | 50G（模型权重） | 100G+SSD |
| macOS | Apple Silicon（MLX） | M3 Ultra+ |
官方推荐双 GPU 推理（torchrun --nproc_per_node=2）。13.6B 参数单卡确实吃力，INT8 量化能降低 VRAM 占用，但消费级显卡（如 4090 24G）仍然捉襟见肘。
社区已有单卡部署方案（RunPod Serverless 等），但稳定性和速度会打折扣。
720P 是硬上限。 没有 1080P 选项。对于电商直播、品牌宣传这类对画质有硬要求的场景，720P 可能不够用。这是目前开源数字人共同的短板。
Motion Quality 仍有差距。 基础模型 LongCat-Video 的 Motion Quality 评分 3.59，低于闭源竞品（Seedance 3.77、Hailuo-02 3.80）。动作的流畅度和物理合理性，和顶级闭源方案还有一截距离。
微表情和手势精细度不如 HeyGen。 逐帧级 GRPO 对齐已经大幅改善了手部问题，但在极近距离特写、复杂手势交互等场景下，和 HeyGen 这类商业方案仍有可感知的差距。
多人同框复杂场景效果待验证。 虽然多人场景得分 2.730 领先 InfiniteTalk（2.339），但超过 3 人同框、遮挡严重、快速切换说话者等极端场景，论文没有给出充分数据。
谁该用，谁不该用
该用的：
- 独立开发者/小团队做数字人产品，预算有限但需要高质量输出
- 电商直播、知识付费、企业培训等对 720P 可接受的场景
- 需要多人互动、动漫/动物角色等泛化场景的团队
- 想在数字人领域做技术验证和原型开发的创业者
不该用的：
- 对 1080P 有硬要求的品牌级视频制作
- 没有双 GPU 服务器且不愿用云部署的个人
- 需要极低延迟实时交互的场景（LongCat 是离线生成，不是实时驱动）
- 对微表情精细度有极致要求的影视级应用
数字人的竞争维度变了
数字人视频生成的竞争，正在从"谁更像人"转向"谁更可用"。
像不像人，是模型能力问题；能不能用，是工程落地问题。LongCat 团队论文里那句话说得很直——"优先考虑系统性工程和生产就绪性，而非架构上的新颖性。"
8 步蒸馏、逐帧 GRPO、静默数据训练、首帧手部检测——这些都不是什么架构创新，但每一个都在解决真实场景里的真实痛点。
美团做数字人不是玩票。从 2025 年 10 月首秀到 2026 年 5 月 1.5 版本，8 个月完成从零到生产级的跨越。GitHub 4634 星，HuggingFace 614 赞，ComfyUI 节点、RunPod Serverless、Pinokio 一键安装——部署生态已经成型。
MIT 协议可商用，意味着你可以基于它做产品、做服务、做二次开发，不用给美团交一分钱。
但别忘了：开源省的是授权费，不是算力费。 13.6B 参数的推理成本，才是你真正要算的账。
相关链接：
- GitHub：https://github.com/meituan-longcat/LongCat-Video
- HuggingFace：https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5
- 项目主页：https://meigen-ai.github.io/LongCat-Video-Avatar-1.5-Page/
- 技术报告：arXiv 2510.22200 / 2605.26486
暂无评论。