LongCat-Video-Avatar 1.5 ist das aktualisierte Avatar-Framework von Meituan, aufgebaut auf dem LongCat-Video-Basismodell. Die wichtigste Neuerung gegenüber dem Vorgänger ist der Wechsel des Audio-Encoders von Wav2Vec2 zu Whisper-Large, was laut Hersteller deutlich natürlichere Lippenbewegungen erzeugt. Das Framework unterstützt nativ drei Aufgaben: Audio-Text-to-Video (AT2V), Audio-Text-Image-to-Video (ATI2V) und Video Continuation, jeweils mit Single- und Multi-Stream-Audioeingaben. Für die Evaluation wurde ein eigener Human-Evaluation-Benchmark mit 508 Bild-Audio-Paaren aus 6 Anwendungsszenarien (u. a. Nachrichtensendung, Gesang, Werbung), zwei Sprachen (Chinesisch/Englisch) und zwei Bildstilen (realistisch/animiert) erstellt. 770 Crowdsourcing-Bewerter vergaben Bewertungen auf einer 1–5-Skala, was insgesamt 13.240 Urteile ergab; zusätzlich analysierten 10 Fachexperten Qualitätsdimensionen wie Temporal Stability und Identity Consistency. Das Modell wird unter MIT-Lizenz veröffentlicht.