Від Whisper до DMD2 дистиляція, технологічний стек досить міцний, багатомовна та анімешна стилізація для мене, як для творця другого рівня, дуже приваблива.

Meituan LongCat команда відкрила код LongCat-Video-Avatar 1.5, повністю опублікувала код та ваги. Перейшла на Whisper-large-v3 для покращення мульти-мовної синхронізації губ та генералізації стилю, використовуючи багатофрагментне скользяче виведення та дистиляцію з малою кількістю кроків на основі DMD2, зменшивши кількість кроків виведення до 8, балансуючи швидкість та точність. Після 508 порівнянь з вихідними даними, 770 оцінювачів та 13240 суджень, а також оцінки 10 експертів, значно покращено часову стабільність, послідовність особистості та природність руху губ, а також можливість генералізації до стилів аніме та тварин, з нативною підтримкою моно/стерео аудіо. Ліцензія MIT, переважно для академічного використання, для комерційного використання потрібно окремо уточнювати.