京东首次开源长音视频生成框架JoyAI-Echo，直击角色一致性、声音稳定性和生成速度三大难题，多项指标领先。
京东首次开源长音视频生成框架JoyAI-Echo，直击角色一致性、声音稳定性和生成速度三大难题，多项指标领先。
Nous Research推出桌面端开源智能体Hermes Desktop，覆盖macOS/Windows/Linux，复用CLI智能体的全部技能和记忆，点鼠标就能用。
AI长视频生成一直有个"不可能三角"：长时长、高一致性、快速度，三者似乎无法兼得。同一个角色上一个镜头和下一个镜头长得不一样，说话人音色忽高忽低，渲染还要等半天。京东最新开源的 JoyAI-Echo 就是来逐一击破这些痛点的。
JoyAI-Echo 是京东首次开源的长音视频生成框架，支持分钟级叙事视频生成，角色外貌、音色在多镜头间保持一致。代码和模型权重全部开放，开发者可以基于此进行二次开发和微调。
传统模型在逐镜生成时缺乏对历史内容的记忆，每次都像"失忆"一样重新开始。JoyAI-Echo 内置了一个专门的记忆库，持续保存并精准调用角色的视觉特征和听觉特征。在5分钟的多镜头生成中，这个记忆库就像导演手中的"角色档案"，每次调用都保证输出一致性。
JoyAI-Echo 设计了三段式后训练流水线：SFT -> 跨模态 RLHF -> 分布匹配蒸馏（DMD）。DMD 技术将多步扩散师生蒸馏压缩为 8 步快速推理，带来约 7.5 倍的推理速度提升，让长视频从"等半天"变成"秒出片"。
你可以用自然语言告诉它你的需求，比如"把第三场戏的咖啡馆背景换成图书馆"。它会自动拆解需求、生成视频、检查结果。不满意的地方只重新生成局部镜头，整条视频不用重来。
配套的实时超分模块在几乎不增加延迟的情况下，将原生 720p 视频提升至最高 1472x2560 分辨率。
在 100 个独立故事剧本、总计 3000 个分镜的严苛评测中：
| 指标 | 表现 |
|---|---|
| 语音准确率 | 0.8646（行业领先） |
| 音频质量偏好 | 81.7% |
| 提示词遵循偏好 | 80.6% |
| IP角色一致性偏好 | 59.4% |
代码和模型权重全部开源，前往 GitHub 仓库 jd-opensource/JoyAI-Echo 即可获取。
