Meituan выложила веса LongCat-Video-Avatar 1.6 — модель превращает фото и аудио в говорящего или поющего персонажа. Ролики могут длиться больше 10 минут, а сами персонажи сохраняют внешность при длинной генерации. В версии 1.6 поправили липсинк, убрали часть артефактов с артикуляцией и цветом губ, ускорили инференс. Модель умеет работать с одним или несколькими персонажами; веса вышли под лицензией MIT. В слепом сравнении с участием 6 систем модель набрала 1068,1 Elo и заняла второе место — выше HeyGen, Kling Avatar 2.0 и прошлой версии, но ниже OmniHuman-2.0. Для локального запуска понадобятся PyTorch 2.6.0, CUDA 12.4, FlashAttention 2 и ffmpeg. Веса и код уже доступны 🧑💻
Обзор новых нейросетевых моделей и технологических разработок в области искусственного интеллекта
Похожие посты
- 👨💻 82
- 👏 40
- ❤ 20
- 🔥 14
- 👍 6
- 🤔 4
- 🤩 107
- 👍 31
- 👏 30
- ❤ 12
- 🤣 8
- 🔥 5
- 🤔 31
- 👍 25
- ❤ 11
- 👏 4
- 🤓 4
- 🔥 3
- 🔥 13
- ❤ 6
- 👍 4
- 😁 1