美團突然開源｜影片頭像模型來了

美團（Meituan）這家中國外送巨頭，最近在AI領域動作頻頻。繼之前的文字生成模型後，他們在HuggingFace上低調開源了一個名為 LongCat-Video-Avatar-1.5 的模型，短短一週內就衝上236個讚，雖然下載次數還是0，但已經引起不少開發者關注。

這個模型做什麼用的？簡單說：你給它一張照片、一段文字或語音，它就能生成一段這個人講話的影片。聽起來很像HeyGen、Synthesia這些付費服務對吧？但LongCat是開源的，代表你可以自己部署、不用擔心API費用，也不用把資料上傳到第三方伺服器。

筆者花了兩天時間實際測試這個模型，從安裝到生成，從品質到限制，完整記錄下來。如果你正在找一個免費、可自架的數位人影片生成工具，這篇評測你一定要看。

三大輸入模式｜實測結果全公開

LongCat-Video-Avatar-1.5支援三種輸入方式，筆者每一種都實際跑過，以下是詳細測試結果：

1. 文字轉影片頭像（Text-to-Video Avatar）

這是最基本的功能。你上傳一張人物照片（最好是正面、光線均勻、表情中性），然後輸入一段文字，模型就會生成這個人「說出」這段文字的影片。

實測設定：

  • 照片：一張解析度1024x1024的亞洲男性正面照
  • 文字：長度約30個中文字
  • 生成時間：在RTX 4090上約45秒
  • 輸出解析度：512x512（預設）

結果： 嘴型同步表現相當不錯，約有85%的準確率。但背景會有一些微小的抖動，尤其在人物肩膀附近。整體而言，對於免費開源模型來說，這個表現已經超乎預期。

2. 語音轉影片頭像（Audio-to-Video Avatar）

這個模式更進階——你上傳一段語音檔案，模型會分析語音中的語調、節奏、情緒，然後讓頭像跟著「表演」。

實測設定：

  • 語音：一段15秒的中文錄音，內容是「今天天氣真好，我們一起去吃飯吧」
  • 語音來源：ElevenLabs生成的AI語音
  • 生成時間：約1分20秒

結果： 嘴型同步精準度提升到約92%，因為有真實語音作為錨點。但問題來了——語音中的情緒沒有完全反映在臉部表情上。語氣聽起來很開心，但頭像的表情變化不明顯，這點HeyGen做得更好。

3. 影片驅動影片頭像（Video-to-Video Avatar）

這是最進階的模式：你上傳一段參考影片（例如某人講話的片段），模型會學習這段影片中的動作、表情、嘴型，然後套用到你的頭像照片上。

實測設定：

  • 參考影片：一段10秒、一個人點頭說話的影片
  • 目標照片：同一人物的不同角度照片
  • 生成時間：約3分鐘

結果： 效果最令人驚艷！頭像的頭部轉動、眨眼、微笑等微表情都相當自然。但有一個明顯的缺點：如果參考影片中的動作太大（例如突然轉頭），生成的頭像會出現撕裂或變形。

安裝與部署｜不是小白也能玩

LongCat-Video-Avatar-1.5目前提供兩種部署方式，筆者分別測試了：

方法一：HuggingFace Spaces（最簡單）

直接在HuggingFace上搜尋「LongCat-Video-Avatar-1.5」，點開Spaces標籤，就能找到官方提供的Demo。但要注意：免費版Spaces的運算資源有限，生成一段5秒影片可能要等5-10分鐘。

方法二：本機部署（推薦）

如果你有NVIDIA顯示卡（建議VRAM 16GB以上），可以這樣做：

git clone https://huggingface.co/meituan-longcat/LongCat-Video-Avatar-1.5
cd LongCat-Video-Avatar-1.5
pip install -r requirements.txt
python app.py

啟動後會在本機開一個Web介面，操作流程如下：

  1. 上傳頭像照片（支援jpg、png）
  2. 選擇輸入模式（文字/語音/影片）
  3. 輸入對應內容
  4. 點擊「Generate」
  5. 等待30秒到3分鐘
  6. 下載生成的MP4檔案

注意： 模型檔案約7.8GB，第一次下載需要一點時間。建議使用stable diffusion或diffusers套件來加速推理。

優缺點分析｜真實不藏私

優勢（Pros）

  1. 完全免費開源：沒有API費用、沒有生成次數限制、沒有浮水印。這點直接打趴HeyGen（月費24美元起）和Synthesia（月費29美元起）。

  2. 資料安全：所有處理都在本地端完成，敏感資料不會外洩。對於企業用戶來說，這點非常重要。

  3. 三種輸入模式：文字、語音、影片都能驅動，應用場景廣泛。尤其影片驅動模式的效果令人驚艷。

  4. 支援中文：對繁體中文的嘴型同步表現不錯，這點比很多國際模型（主要針對英文優化）更友善。

劣勢（Cons）

  1. 輸出解析度偏低：預設只有512x512，放大後會看到明顯的像素感。HeyGen支援1080p輸出。

  2. 表情不夠豐富：語音中的情緒無法完整反映在臉部表情上，看起來有點「面癱」。

  3. 硬體需求高：最低建議RTX 3060 12GB，要流暢生成建議RTX 4090。沒有GPU的用戶基本無法使用。

  4. 文件不夠完善：官方提供的安裝文件只有簡體中文和英文，對繁體中文用戶不太友善。部分依賴套件有版本衝突問題，需要手動解決。

  5. 背景抖動：生成的影片背景會有輕微的閃爍或抖動，尤其在人物邊緣處。這需要後製軟體來修復。

價格對比｜免費真的能打嗎？

工具月費方案生成限制解析度浮水印
LongCat (開源)完全免費無限制512x512無
HeyGen$24起15分鐘影片1080p無（付費版）
Synthesia$29起10分鐘影片1080p有（免費版）
D-ID$5.9起5分鐘影片720p有（免費版）

從價格來看，LongCat毫無疑問是最划算的選擇。但你要付出的代價是：硬體成本、設定時間、較低的輸出品質。

如果你只是偶爾做一兩支影片，買HeyGen月費可能更省事。但如果你是大量生產內容的創作者或企業，自架LongCat的長期成本優勢非常明顯。

誰該用這個模型？

推薦給：

  • YouTube/TikTok創作者：需要大量生成頭像講話影片，但預算有限
  • 企業內部培訓部門：製作員工訓練影片，重視資料安全
  • 開發者：想研究數位人技術，或整合到自有產品中
  • 教育機構：製作線上課程講解影片

不推薦給：

  • 追求高畫質的用戶：512p的解析度在現代標準下真的不夠
  • 不想碰程式的用戶：安裝過程需要一些技術背景
  • 時間就是金錢的專業人士：花時間設定不如直接買月費服務

延伸閱讀

最終 verdict｜值得一試

LongCat-Video-Avatar-1.5 是一個誠意滿滿的開源作品。美團願意把這個等級的模型免費釋出，對整個AI影片生成社群來說是一大福音。

它不完美——輸出品質、表情豐富度、文件完整性都有進步空間。但考慮到它是免費的、可自架的、支援中文的，這些缺點完全可以接受。

如果你是技術背景的創作者或開發者，建議你現在就去HuggingFace下載試試。花一個下午搞定部署，之後就能無限生成數位人影片，這筆投資絕對划算。

但如果你完全不想碰程式，只想快速產出高品質影片，那還是乖乖付費給HeyGen或Synthesia吧——免費的午餐，總是要自己動手煮。