京东开源JoyAI-Echo长音视频生成框架,宣称“进入全球第一梯队”
Air Explorer Pro是一款跨平台多网盘管理工具,可实现一站式完成不同网盘间文件的互传、搜索和同步等操作。任务管理和过程控制会更完整,持续下载、批量同步或需要稳定传输流程的场景会更适合它。
京东推出JoyAI-Echo长音视频生成框架,解决角色不一致、音色突变和生成缓慢问题。内置记忆库保持长视频中角色与音色高度一致,结合SFT、跨模态RLHF和DMD技术实现7.5倍推理加速,并具备对话式编辑、DirectorAgent及实时超分模块,宣称进入全球第一梯队。
就在刚刚,京东放了个大招——正式推出名为 JoyAI-Echo 的长音视频生成框架。这玩意儿一出来,就直接冲着行业里头最让人头疼的三个老大难问题去的:角色容易崩、声音说变就变、生成速度慢得像蜗牛。而且,它还搞了个“对话式编辑”的功能,意思是以后想改某个镜头,不用再把整条视频重新跑一遍了。

京东自己说,JoyAI-Echo 的发布,标志着他们在长视频生成领域已经踏进全球第一梯队了。这话听着有点狠,不过看技术细节,确实有点东西。
这套框架内置了一个专门的“记忆库”。在多镜头生成的过程中,它能持续保存并调用角色的外观特征和说话人的音色信息。实测下来,长达5分钟的视频里,角色的身份、视觉形象、声音音色都能保持高度一致——再也不会出现同一个人演着演着突然变成另一个人的尴尬局面了。
团队还提出了一种记忆驱动的后训练流程,结合了 SFT、跨模态 RLHF 以及 Distribution Matching Distillation(DMD)技术。不光提升了生成质量,还顺手做了推理加速。光 DMD 这一项,就带来了大约 7.5 倍的速度提升。另外,JoyAI-Echo 里还塞了一个智能“导演助理”——Director Agent,你直接用自然语言说需求,它就能自动拆解成剧本、角色、场景和镜头。
除此之外,它还配了一套实时的超分模块。通过单步超分就能生成高分辨率视频和精细化音频,支持两档分辨率提升:736×1280 → 1152×1920 和 736×1280 → 1472×2560。对于追求画质的场景来说,这个能力很实用。
总的来说,这次京东在长视频生成上的突破,解决的都是实际落地的硬骨头。从角色一致性到生成效率,再到编辑灵活性,算是给出了一套完整的方案。










































