從wav2vec2切換到whisper-large-v3，多語種口型同步的魯棒性提升明顯，學術商用分界線得看清

美團長貓團隊開源LongCat-Video-Avatar 1.5，重構音視頻生成提升時空穩定性與推理速度。將 wav2vec2 替換為 whisper-large-v3，提升口型同步與多語種魯棒性；通過 GRPO 強化學習降低手部偽影與錯幀，增強長視頻身份一致性。採用多片段滾動推理與前序上下文，8步蒸餾的 DMD2 平衡效率與保真。框架可泛化至動漫/動物風格，支持單/多聲道音頻，MIT 許可，學術使用為主，商用請核對。