LongCat-Video-Avatar
LongCat-Video-Avatar という音声駆動のアバター動画モデル系列を読み解き、長い動画の安定性と複数人の同一性をどう扱うかを示す。
LongCat-Video-Avatar は、メイトゥアンの LongCat チームが LongCat-Video を土台に公開した音声駆動のアバター動画モデルだ。音声とテキストを条件とし、音声テキストからの動画生成、画像条件の動画生成、動画の続き生成を備えて単数・複数の話者に対応する。断片をまたぐ潜変数の接合は長い動画の画質劣化を抑え、参照スキップ注意は人物の同一性を保ちつつ参照画像の複製を防ぐ。
