مدل LongCat Video Avatar 1.6 برای ساخت آواتار بلند منتشر شد

مدل LongCat Video Avatar 1.6 از صدا و عکس آواتار سخنگو می‌سازد. نمونه‌های بلند، وزن‌های قابل دانلود و کاربرد آموزشی را ببینید.

مدل LongCat Video Avatar 1.6 برای ساخت آواتار بلند منتشر شد

مدل LongCat Video Avatar 1.6 در ۱۵ نوامبر ۲۰۲۶، برابر با ۲۴ آبان ۱۴۰۵، از طرف تیم LongCat در می‌توان (Meituan) منتشر شد. این مدل با ورودی صدا و مرجع تصویری، ویدیوی آواتار سخنگو می‌سازد. تیم سازنده نمونه‌هایی را منتشر کرده که در آن‌ها سخنگو بیش از ده دقیقه در تصویر باقی می‌ماند.

مدل LongCat Video Avatar 1.6 چطور کار می‌کند؟

صدا جهت حرکت دهان و بخشی از حالت‌های چهره را تعیین می‌کند. تصویر مرجع ظاهر آواتار را مشخص می‌کند. در کاربردی مثل معرفی یک محصول، می‌توانید گفتار خودتان را ضبط و از تصویری که اجازهٔ استفاده از آن را دارید به‌عنوان مرجع استفاده کنید. مدل سپس تلاش می‌کند گفتار را با حرکت لب و حالت صورت هماهنگ کند.

تیم LongCat در مخزن رسمی پروژه تاریخ عرضه و کد اجرای مدل را ثبت کرده است. وزن‌های مدل و نمونه‌های ویدیویی هم در کارت رسمی آواتار LongCat قرار دارند. سازنده هماهنگی بهتر لب‌ها و ثبات تصویر در ویدیوهای طولانی را از نقاط بهبود این نسخه می‌داند.

چرا حفظ ظاهر آواتار در ویدیوی بلند دشوار است؟

در ویدیوی کوتاه، یک حرکت نامعمول یا تغییر کوچک ممکن است چندان دیده نشود. در یک درس ده‌دقیقه‌ای، همان مشکل می‌تواند بارها تکرار شود. به نحوهٔ باز و بسته شدن دهان، حرکت چشم، ثبات دندان‌ها و تغییر نور روی صورت نگاه کنید. وقتی تصویر در طول زمان عوض شود، تمرکز بیننده از موضوع آموزش به خود آواتار منتقل می‌شود.

نمونه‌های منتشرشده حاصل کار تیم سازنده‌اند. برای داوری دربارهٔ نیاز خودتان، گفتار متفاوتی را آزمایش کنید. مثلاً گوینده‌ای که از واژه‌های فارسی و لاتین در یک جمله استفاده می‌کند، ریتم متفاوتی از یک نمونهٔ تک‌زبانه دارد. وجود نمونهٔ طولانی به‌تنهایی کیفیت همهٔ ورودی‌ها یا پشتیبانی یکسان از زبان‌ها را ثابت نمی‌کند.

برای تدوین ویدیوی آموزشی، پایان هر بند را به‌عنوان جای احتمالی برش در نظر بگیرید. اگر حرکت چهره در بخشی خوب درنیامد، می‌توانید در همان نقطه تصویر اسلاید یا نمایش صفحه را جایگزین کنید تا جریان توضیح حفظ شود.

چطور یک آواتار سخنگو را برای آموزش ارزیابی کنیم؟

  1. گفتار کوتاه آماده کنید. یک بند با تغییر آهنگ، مکث و یک عدد را با صدای واضح ضبط کنید.
  2. مرجع تصویری روشن انتخاب کنید. صورت باید قابل دیدن باشد. برای تصویر و صدا از دارایی خودتان یا مواردی با اجازهٔ روشن استفاده کنید.
  3. نمونه را با صدا و بدون صدا ببینید. یک بار هماهنگی گفتار و یک بار تغییرهای ظریف ظاهر را جداگانه بررسی کنید.
  4. طول را تدریجی بالا ببرید. قبل از ساخت آموزش کامل، اول یک دقیقه و بعد یک بخش مستقل از درس را امتحان کنید.

برای شناخت یک مدل متفاوت از همین خانواده، معرفی LongCat 2.5 را بخوانید. اگر می‌خواهید حرکت یک عکس مرجع را بهتر کنترل کنید، راهنمای تبدیل عکس به ویدیو هم مرتبط است. برای آماده‌کردن یک نمونه گفتار می‌توانید گزینه‌های گویندگی هوش نو را بررسی کنید.

سؤالات متداول

آیا وزن‌های LongCat Video Avatar 1.6 در دسترس‌اند؟

بله. کارت مدل در Hugging Face فایل‌ها و مجوز MIT را نشان می‌دهد. دستورهای نصب، نسخه‌های وابسته و نیاز سخت‌افزاری را پیش از تصمیم برای اجرای محلی بخوانید.

آیا ساخت ویدیوی ده‌دقیقه‌ای همیشه همین کیفیت را دارد؟

نه. کیفیت به مرجع، گفتار و شیوهٔ اجرا وابسته است. برای کار جدی یک نمونه با همان صدایی که در محصول نهایی استفاده می‌کنید بسازید.

این مدل بیشتر برای چه کارهایی مناسب است؟

آواتار سخنگو برای ویدیوی توضیحی، روایت، ارائه و کاربردهای آموزشی جا دارد. برای مواردی که چند بازیگر یا حرکت پیچیده لازم است، جداگانه آزمایش کنید.

جمع‌بندی

ارزش LongCat Video Avatar 1.6 در دسترسی به وزن‌ها و تمرکز بر آواتار طولانی است. اگر می‌خواهید برای آموزش از آن ایده بگیرید، ابتدا کیفیت حرکت لب و ظاهر آواتار را در یک بخش کوتاه و با صدای خودتان بسنجید. بعد تصمیم بگیرید که اجرای بلندتر به زمان و هزینه‌ای که صرف می‌کنید می‌ارزد یا نه.

نویسنده نعیم حشم‌بان بنیان‌گذار و سردبیرِ هوش نو

نعیم حشم‌بان بنیان‌گذارِ هوش نو است و هر روز مدل‌های تازه‌ی هوش مصنوعی را امتحان می‌کند تا آموزش و بررسیِ ساده و دقیق به زبانِ فارسی بنویسد.