6月3日云开体育，京东通知云开体育开源JoyAI-Echo长音视频生成框架。JoyAI-Echo处治了行业三大痛点：扮装难褂讪一致、音色变化难完毕、视频生成速率慢，竣事了长视频生成“又快又好”。此外，JoyAI-Echo的“边聊边改”花式，让视频创作从 "静态生成" 形成 "动态联结"。

JoyAI-Echo在各种视频创作、数字东说念主直播、品牌营销、教练和游戏实质分娩等限制有远大的诈欺后劲，它的推出，标识着京东在长视频生成限制竣事首要突破，进入世界第一梯队。

四大时期革命 处治长视频生成三浩劫题

在AI视频限制，十几秒短视频的生成质地越来越纯熟，但行业头疼的瓶颈依然存在：难以向分钟级长视频突破。AI视频一但拉到这一时长，就会出现以下问题：归并个扮装，在不同镜头里长得不相同；言语东说念主的音色忽高忽低甚而倏得变声；生成速率慢到离谱，等几分钟甚而半小时才智出完毕。

以上问题，径直导致 AI 长视频停留在 "玩物" 阶段，很难委果干与分娩、创造价值。JoyAI-Echo 的出现，透顶冲突这个僵局。JoyAI-Echo 有四项时期革命：

一是跨模态音视频缅思库，让扮装再也不 "变脸"。这亦然JoyAI-Echo 最关键的突破。模子框架内置了一个特意的缅思库，能在多镜头生成过程中，握续保存并调用扮装的外不雅特征和言语东说念主音色信息。在长达 5 分钟的视频里，扮装身份、视觉形象和声息音色王人能保握高度一致，再也不会出现 "归并个东说念主演着演着形成另一个东说念主" 的无语情况。

二是缅思运行后覆按，速率径直擢升 7.5 倍。研发团队革命建议了缅思运行后覆按过程，荟萃 SFT、跨模态 RLHF 和 Distribution Matching Distillation（DMD）时期，大幅擢升了生成质地，更竣事了惊东说念主的推理加快。

其中，仅 DMD 一项时期就带来了约 7.5 倍的速率擢升，让长视频生成从 "等半天" 形成 "秒出片"。

三是加入智能 "导演助理"——Director Agent，让长视频第一次竣事 "对话式裁剪"。JoyAI-Echo 不再是 "输入教唆词，一次性出完毕" 的传统器用。你用当然语言说需求，它会自动帮你拆分红脚本、扮装、场景和镜头。那处不平稳，径直用对话的相貌告诉它修改，它只再行生成有问题的局部镜头，毋庸重跑整条视频，让长视频创作从 "静态生成" 形成了 "动态联结"。

四是轻量化及时超分，高清输出不卡顿。为了满足专科实质分娩的需求，JoyAI-Echo 配套了特意的及时超分模块，解救两档离别率擢升（736×1280 → 1152×1920,736×1280 → 1472×2560）。模块通过单步超分就能生成高离别率视频和细密化音频，即使在流式延长的拘谨下，也能保握褂讪的高清阐明。

各项贪图全面跨越行业 “AI 长视频期间"到来

为了客不雅评估 JoyAI-Echo 的性能，研发团队基于 100 个故事、3000 个镜头构建了长音视频生成评测集，从多个维度进行了全面测试。完毕裸露，JoyAI-Echo 在跨镜头一致性、视频质地、文本一致性和语音实质准确率等通盘中枢贪图上王人得回了跨越阐明，其华文音实质准确率更是高达0.8646，大幅跨越行业其它同类模子。

在与行业同类模子对比中，用户以为JoyAI-Echo音频质地偏好的比例为81.7%，教唆词投降偏好为80.6%，视觉好意思学偏好为63.6%，IP 一致性偏好为59.4%。

JoyAI-Echo 的推出，意味着AI 视频生成的 "长视频期间"来了。它为捏造故事创作和动漫制作、数字东说念主实质分娩和直播、品牌营销视频快速迭代、互动教练课件生成等限制带来了全新可能，将大幅优化行业本钱后果。JoyAI-Echo也预示着将来东说念主类不错像聊天相同，握续创作、修改和完善长视频实质，让高一致性、高画质、可交互的视频生成，委果走进每一个实质创作家的职责过程。

京东通知，JoyAI-Echo 的代码与权重已一说念开源，现在神志页和 GitHub 代码仓库如故认真上线，供耕种者和创作家体验。