京东开源JoyAI-Echo长音视频生成框架，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。