字节跳动发布 LatentSync 1.6：聚焦高分辨率视频生成，解决模糊问题

字节跳动发布了其对口型视频生成模型 LatentSync 的新版本 1.6，重点解决了此前版本中生成牙齿和嘴唇区域模糊的问题。

• 模型：https://huggingface.co/ByteDance/LatentSync-1.6

该更新主要通过使用更高分辨率的训练数据实现改进——与 1.5 版本相比，LatentSync 1.6 在 512 × 512 分辨率的视频上进行训练，从而显著提升了局部细节的清晰度。

无架构改动，仅升级训练数据

官方说明指出，此次更新并未对模型结构或训练策略做出任何调整，唯一的变化是将训练数据集从低分辨率升级至 512 x 512 分辨率视频。

这意味着：

• 模型整体结构保持稳定
• 训练流程无需重构
• 代码兼容 LatentSync 1.5 和 1.6

用户只需加载对应的检查点（checkpoint），并在 U-Net 配置文件中修改分辨率参数，即可在两个版本之间自由切换。

为何选择 512x512？

在视频生成任务中，人脸特别是嘴唇和牙齿等细节区域，往往容易因分辨率不足而出现模糊。这些区域对于视觉真实感至关重要，尤其在语音驱动、表情同步等应用中。

通过提升训练数据的清晰度，LatentSync 1.6 能更准确地捕捉面部动态细节，从而提升生成质量，增强用户体验。

相关

端到端唇音同步框架LatentSync：可以分析新的音频信号，并生成与音频同步的口型

ComfyUI-LatentSyncWrapper：基于字节跳动唇音同步框架LatentSync的非官方ComfyUI节点