6月3日，京东推出JoyAI-Echo长音视频生成框架，直接解决行业头疼已久的“长视频生成三大难题”—— 角色易崩、声音乱变、生成缓慢。更重要的是，它实现了“对话式编辑”功能，不用再为改一个镜头重跑整条视频。

JoyAI-Echo的发布，标志着京东在长视频生成领域进入全球第一梯队。JoyAI-Echo具有重要的实用价值和广泛的应用前景，AI“长视频时代”真的来了！

以前的长视频生成

到底有多难？

现在大家看到的AI短视频，画质和效果已经相当能打。但只要一拉长到分钟级，问题立刻暴露无遗：

• 同一个角色，上一个镜头和下一个镜头长得不一样

• 说话人的音色忽高忽低，甚至突然变声

• 生成速度慢到离谱，等几分钟才能出结果

这些问题直接导致AI长视频一直停留在“玩具”阶段，很难真正投入生产使用。JoyAI-Echo的出现，彻底打破了这个僵局。

JoyAI-Echo

四项实打实的技术创新

🧠 跨模态音视频记忆库：角色再也不“变脸”

这是最关键的突破。框架内置了一个专门的记忆库，能在多镜头生成过程中，持续保存并调用角色的外观特征和说话人音色信息。

实测结果显示，长达5分钟的视频里，角色身份、视觉形象和声音音色都能保持高度一致，再也不会出现“同一个人演着演着变成另一个人”的尴尬情况。

⚡ 记忆驱动后训练：速度直接提升 7.5 倍

团队创新性地提出了记忆驱动后训练流程，结合SFT、跨模态RLHF和 Distribution Matching Distillation（DMD）技术，不仅大幅提升了生成质量，更实现了惊人的推理加速。

其中，仅DMD一项技术就带来了约7.5倍的速度提升，让长视频生成从“等半天”变成“秒出片”。

🎬 Director Agent：像和导演聊天一样做视频

这是最让人惊喜的功能！JoyAI-Echo不再是那种“输入提示词，一次性出结果”的传统工具，而是加入了一个智能“导演助理”——Director Agent。

你用自然语言说需求，它会自动帮你拆分成剧本、角色、场景和镜头；哪里不满意，直接用对话的方式告诉它修改，只重新生成有问题的局部镜头，整条视频不用重来。

整个工作流包含规划、生成、评审和局部修订四个环节，让长视频创作从“静态生成”变成了“动态协作”。

🖼️ 轻量化实时超分：高清输出不卡顿

为了满足专业内容生产的需求，JoyAI-Echo还配套了专门的实时超分模块，支持两档分辨率提升：

• 736×1280 → 1152×1920

• 736×1280 → 1472×2560

通过单步超分就能生成高分辨率视频和精细化音频，即使在流式延迟的约束下，也能保持稳定的高清表现。

实测数据说话

各项指标全面领先

为了客观评估 JoyAI-Echo的性能，研究团队基于100个故事、3000个镜头构建了专门的长音视频生成评测集，从多个维度进行了全面测试。

结果显示，JoyAI-Echo在跨镜头一致性、视频质量、文本一致性和语音内容准确率等所有核心指标上都取得了领先表现，其中语音内容准确率更是高达 0.8646，大幅领先行业其它同类模型。在用户偏好调研中，JoyAI-Echo的优势更加明显。用户认为JoyAI-Echo音频质量偏好的比例为81.7%，提示词遵循偏好为80.6%，视觉美学偏好为63.6%，IP一致性偏好为59.4%。

即使在人像类短视频任务中，JoyAI-Echo也在视觉美学和提示词遵循方面获得了更高的用户认可。

这些场景，即将被彻底改变

JoyAI-Echo的推出，为众多行业带来了全新的可能性：

• 虚拟故事创作和动漫制作

• 数字人内容生产和直播

• 品牌营销视频快速迭代

• 影视前期预演和分镜制作

• 互动教育课件生成

• 游戏剧情和过场动画制作

JoyAI-Echo的推出，标志着京东在长视频生成领域实现重大突破，进入全球第一梯队。未来，我们真的可以像聊天一样，持续创作、修改和完善长视频内容，让高一致性、高画质、可交互的视频生成真正走进每一个内容创作者的工作流程。

JoyAI-Echo的代码与权重已全部开源！目前项目页和GitHub代码仓库已经正式上线，供开发者和创作者体验和二次开发。