美團 LongCat 數位人 · 語音驅動 · 開源權重

無審查 LongCat-Video-Avatar 1.6:一張照片、一段聲音,生成十分鐘說話影片

問 AI ▾

給它一張人像和一段錄音,LongCat-Video-Avatar 1.6 就會回傳這個人開口說話的影片:每個音節都對得上嘴型,臉部表情隨語氣變化,頭部和肩膀的動作也和真人說話時一樣自然。這款由美團 LongCat 團隊於 2026 年 11 月 15 日發布的開源數位人更新,重點在於長時間維持真實感,團隊表示可生成超過十分鐘、臉孔一致且畫質清晰的影片。以下整理了這次的改進、創作者的實際用法、雙人對話技巧、可直接複製的提示詞,以及最快上手的方式。

  • 照片 + 聲音 → 影片
  • 單鏡頭 10 分鐘以上
  • 自然對嘴
  • 雙人對話
讓角色開口說話 →
LongCat-Video-Avatar 1.6 風格的說話數位人:一名成年女性在明亮攝影棚中對著鏡頭講解

無審查替代影片生成器

圖片轉影片

從一張人像開始,描述角色如何說話、微笑與動作,我們會帶你進入已填好內容的圖生影片工作室。只要畫面中所有人物皆滿 18 歲,且為虛構角色或已取得同意,歡迎創作成人主題。

請先加入人像,影片將以此為基礎生成動態。

十分鐘說話影片也不崩壞

試過 AI 說話頭像的人都知道常見的問題:前幾秒看起來很棒,接著臉慢慢走樣、嘴巴開始閃爍,人物也越來越不像最初那張照片。LongCat-Video-Avatar 1.6 正是為了解決這個問題而打造。模型會一段一段地延伸影片,團隊也特別用長序列生成來訓練它,讓細小誤差不再累積。他們的主張簡單又大膽:超過十分鐘的影片,身分一致、畫質穩定、動作流暢。

對創作者來說,這改變了整個工作流程。一整堂課、一段完整的產品導覽、一集 Podcast 或一章有聲書,都能是一個連續鏡頭,不必再把一堆十五秒的片段在剪輯軟體裡拼接起來。你也能讓同一個角色貫穿整個系列:每週餵入新的音訊,同一張臉就會繼續說下去,這正是虛擬主持人和故事頻道最需要的。

  • 音訊 + 照片:讓現有的人像動起來,最熱門的模式。
  • 音訊 + 文字:還沒有照片?描述人物,讓模型自行創造。
  • 續寫:用下一段音訊延伸現有影片,並維持相同外觀。
  • 多人:為每位說話者提供各自的音軌,製作對話場景。

LongCat Avatar 1.6 vs 1.5:嘴型更自然、臉部更穩定

1.5 版於 2026 年 5 月推出,早已深受開源愛好者喜愛。新版沿用相同的基礎模型與 Whisper-Large 音訊編碼器,因此進步來自訓練而非全新架構。你在畫面上實際會看到的是:嘴巴不再把每個字都誇張地咬出來、嘴唇不再異常紅潤、嘴部周圍閃爍減少,臉部表情也能與頭部和身體動作協調一致。在團隊自行進行、共 33,051 張有效票的盲測中,1.6 在六個系統中排名第二,僅次於閉源的 OmniHuman-2.0,領先 1.5、HeyGen、OmniHuman-1.5 與 Kling Avatar 2.0。這項排名是開發方自己的評測,並非獨立基準測試。

1.5 版1.6 版
發布日期2026 年 5 月 21 日2026 年 11 月 15 日
嘴部動作有時過於誇張,嘴唇偏紅更柔和自然,閃爍更少
長影片偏移會隨時間累積超過 10 分鐘且身分穩定(團隊說法)
速度8 步蒸餾取樣8 步:先用 DMD + OPSD 混合,再僅用 OPSD
人類偏好(Elo)較低1068.1,六個系統中排名第二

一位將模型轉換為 Mac 版本的社群測試者回報,1.6 的 SyncNet 對嘴分數約為 6.8–7.4,1.5 約為 6.5(真人影片:7.05)。此為非官方數據。

照片轉說話影片:創作者的實際應用

語音驅動的說話頭像過去只是展示用的玩具。隨著鏡頭更長、臉部更自然,它已成為實用工具,適合任何需要有人在畫面上念稿、卻不想請主持人、租攝影棚或自己錄影的人。把一張人像搭配錄好的人聲或文字轉語音音軌,幾分鐘內就能擁有一位主持人、老師、旁白或虛構角色。以下是短影音創作者、教育工作者與角色創作者最先嘗試的場景。

  • 短劇與 AI 漫畫:用 TTS 劇本批次製作每個角色逐句對白的鏡頭。
  • 產品與店家影片:親切的主持人以自然、聊天般的語氣介紹產品或店面。
  • 課程與講解影片:持續比手勢、點頭的十分鐘講師,或其他語言的配音版本(品質可能因語言而異)。
  • 虛擬主持人與 AI 伴侶:以影片回覆粉絲或聊天訊息的角色。
  • 會說話的老照片與畫作:讓家族合照或藝術作品開口,做出令人難忘的貼文。
  • 唱歌與對嘴娛樂:既然它跟隨音訊,音樂片段也值得一試,但效果未經官方測試。

長篇課程與演講

把完整的旁白變成一支連續的主持人影片,而不是數十段短片。

劇情對白

為兩個角色提供各自的音軌,得到反應自然、你來我往的對話場景。

虛擬主持人

在整個系列節目、產品影片或粉絲回覆中維持同一張臉。

雙人對話、訪談與合唱

LongCat-Video-Avatar 1.6 最有趣的模式之一是多人影片。給模型一張有兩個人的圖片,並為每人提供獨立音軌,它就會讓正在說話的人動起來,另一人則聆聽並做出反應。這開啟了過去需要兩位演員才能完成的形式:Podcast 風格的訪談、短劇裡吵架的情侶、喜劇雙人組、師生角色扮演,或主持人與來賓閒聊。由於長影片的穩定性同樣適用,這些對話可以持續好幾分鐘,而不只是一來一往。

一個好技巧是讓場景保持簡單:兩人面對面或並肩而坐,兩張臉都清楚可見,並在提示詞中說明誰先開口。接著分別錄製或生成兩人的聲音,排成自然的你來我往,每句之間留些短暫停頓。

兩位成年角色在沙發上熱絡交談,宛如雙人說話影片場景

自然說話影片的提示詞範本

為 LongCat-Video-Avatar 1.6 撰寫提示詞時要記住一個重點:音訊決定人物說什麼,文字提示詞決定鏡頭長什麼樣子。請描述鏡頭距離、情緒、手勢與光線,而不是對白本身。製作長影片時,每個段落的人物描述都要保持一致,角色才不會走樣。以下範本涵蓋最受歡迎的形式;替換細節、保留結構即可。

  • 主持人:一位年輕女性在明亮的攝影棚中,中景,溫暖地對著鏡頭說話,自然的手勢,柔和日光,鏡頭穩定。
  • 產品介紹:一名男子在咖啡廳櫃檯前拿著咖啡杯,面帶微笑,以生動的表情介紹產品,淺景深。
  • 講課:一位教授站在白板前,語氣沉穩,不時點頭並用手指示,三腳架固定鏡頭。
  • 對話:兩位朋友面對面坐在沙發上,左邊的人先說話,右邊的人接著回應,日常客廳光線。
  • 歌手:一位歌手站在小舞台上,表情豐富,隨節奏輕輕擺動,溫暖的聚光燈。
  • 撩人獨白(18+):一位虛構的成年女性身穿比基尼站在夕陽海灘上,帶著撩人的微笑,對著鏡頭輕聲說話,微風輕拂髮絲。

Hugging Face 下載、ComfyUI、INT8、GGUF 與 Mac MLX

如果你喜歡自己動手跑,權重可以從 Hugging Face 和 ModelScope 免費下載,程式碼則放在 LongCat-Video 的 GitHub 儲存庫中。團隊尚未公布官方記憶體需求,但有提供僅權重的 INT8 選項以減輕負擔,社群的動作也很快:已有 ComfyUI 套件(包括 Comfy-Org 推出的版本)、1.6 的 ComfyUI 版本、INT8 轉換,以及 1.5 系列適用低 VRAM 顯示卡的 GGUF 檔案。

Mac 使用者也有 Apple MLX 轉換版本。作者回報在 64 GB 記憶體的 M5 Max 上,每段 480p、3.7 秒的影片約需八分鐘,記憶體峰值接近 47 GB,所以十分鐘的影片得跑上一整晚。這也是為什麼許多創作者會先用瀏覽器工具快速試點子,最終的長鏡頭才留給本機執行。

2026 年開源說話數位人模型:HeyGen 與 OmniHuman 的替代方案?

HeyGen、OmniHuman 和 Kling Avatar 等訂閱制數位人服務雖然精緻,但會限制影片長度、按分鐘計費,並審查你上傳的內容。美團這款模型正是許多人期待已久的開源替代方案:以 MIT 授權免費提供權重、單鏡頭可超過十分鐘,而且在開發者的測試中,人類偏好分數勝過 HeyGen 與 Kling Avatar 2.0。其他開源選擇還包括可用文字引導提示詞驅動全身動作的 Kandinsky S2V,以及適合多人場景的 MultiTalk。任何開源模型的門檻都在於硬體:長影片需要強大的 GPU,或是大量耐心。

在 Spicy AI 製作 18+ 角色說話影片

官方版本的模型卡並未描述任何內建內容過濾器,目前也還沒有社群無審查微調版本;現在大家的用法是在本機搭配自己的成人角色圖執行。若想在瀏覽器中更快上手,Spicy AI 的圖生影片工作室可讓任何 18+ 虛構角色的人像動起來,從俏皮的比基尼獨白、ASMR 風格的耳語問候,到虛擬女友的回覆都行。

  1. 1建立或上傳一張成年虛構角色的人像;可以先用圖片編輯器試試泳裝或內衣造型。
  2. 2描述他們如何說話與動作:微笑、向鏡頭靠近、眨眼、柔和光線。
  3. 3生成影片,再於剪輯時加入你自己的配音或 TTS 音軌。

想獲得最乾淨的效果,請記住以下輸入技巧:

  1. 使用清晰、正面的人像,臉部光線充足,且未被手或頭髮遮住。
  2. 使用不含背景音樂的乾淨人聲;官方 1.5 指南建議本機執行時將音訊 CFG 設為 3–5。
  3. 各段落的角色描述保持完全一致,長影片才能前後連貫。

在瀏覽器中讓 18+ 角色人像活起來,不需要 GPU。

開始圖片轉影片 →
身穿比基尼的成年女性在夕陽海灘上對著鏡頭輕聲說話,演繹撩人的角色獨白

自行部署 LongCat Avatar 1.6 vs 在 Spicy AI 線上生成

本機部署(官方權重)Spicy AI 線上
內容過濾自行執行時沒有線上過濾允許成人(18+)內容
開源權重有,Hugging Face 上採 MIT 授權不適用,線上執行
實際使用的模型LongCat Avatar 1.6(avatar-v1.6)Spicy AI 自有影片模型
價格權重免費,GPU 費用自付免費開始,更多用量需點數
  • 本機:由你自己的音訊驅動對嘴,單鏡頭超過十分鐘,完全掌控。
  • Spicy AI:在瀏覽器中讓人像動起來,無需硬體或設定。

常見問題

這是什麼模型?

這是美團 LongCat 團隊於 2026 年 11 月 15 日發布的開源權重說話數位人影片模型。它能將一張人像(或一段文字描述)加上語音轉成說話影片,支援單人、多人與長影片續寫模式。

1.6 比 1.5 好在哪裡?

對嘴更精準,表情與頭部、身體動作更協調,誇張的嘴型與過紅的嘴唇減少,長影片中的誤差累積也更少。團隊表示可生成超過十分鐘的影片,端到端推論速度也更快。

影片最長可以多長?

團隊表示可超過十分鐘,且畫質與身分保持穩定。它透過逐段延伸影片來運作;例如社群的 Mac 版本,每段為 93 幀、約 3.7 秒。

在本機執行需要什麼硬體?

官方尚未公布記憶體需求。有僅權重的 INT8 選項,Hopper GPU 建議使用 FlashAttention 3,社群 MLX 版本在 64 GB 的 M5 Max 上峰值約為 47 GB。大多數一般使用者會覺得線上工具更方便。

可以在 ComfyUI 中使用嗎?

GitHub 儲存庫並未列出官方 ComfyUI 節點,但 Hugging Face 上有 Comfy-Org 套件、社群的 1.6 ComfyUI 版本,以及 1.5 系列的 GGUF 檔案。

有無審查版本嗎?

截至 2026 年 11 月 20 日,尚未出現社群無審查微調版本。權重可在本機執行,模型卡也未描述內容過濾器。成人創作只能使用滿 18 歲的虛構角色或已取得同意的人物。

和 HeyGen 或 OmniHuman 相比如何?

在團隊自己的人類評測中,它在六個系統中排名第二,僅次於 OmniHuman-2.0,領先 HeyGen 與 Kling Avatar 2.0。主要優勢是開源權重與超長單鏡頭。

資料來源

查看所有無審查 AI 模型 →

Spicy AI 為獨立網站,與美團或 LongCat 團隊無任何關聯。所有內容僅限成人(18+);未經本人同意,請勿將真實人物製作成動態影片。

Sign in

Welcome to Spicy AI

or