【AI前沿】JoyAI-Echo

JoyAI-Echo – 京东开源的长音视频生成框架AI工具2天前发布AI小集02JoyAI-Echo是什么JoyAI-Echo 是京东推出的开源长音视频生成框架，专为分钟级多镜头故事生成设计。框架通过跨模态记忆库、记忆驱动后训练、Director Agent 对话式编辑和轻量化实时超分四大技术创新，解决长视频生成中角色变脸、音色突变、生成缓慢等核心痛点，首次实现长达 5 分钟的高一致性、可交互、高清长视频生成，标志着京东进入长视频生成全球第一梯队。JoyAI-Echo的主要功能分钟级多镜头故事生成：支持从单个提示词 JSON 生成连贯的多镜头长视频序列，最长可达 5 分钟。跨模态音视频联合生成：单一管道同步输出视频与音频，确保音画同步。配对跨模态记忆库：在多镜头生成中持续保存并调用角色外观特征与说话人音色，保持故事级一致性。DMD 蒸馏少步推理：通过分布匹配蒸馏技术，实现约 7.5 倍的生成速度提升。Director Agent 对话式编辑：用户可用自然语言与导演助理交互，自动拆分剧本、角色、场景和镜头，支持局部修订，无需重跑整条视频。轻量化实时超分：支持从 736×1280 单步超分至 1152×1920 或 1472×2560，在流式延迟约束下保持高清输出。JoyAI-Echo的技术原理跨模态音视频记忆库：JoyAI-Echo 的核心突破为内置一个配对跨模态记忆库，通过 Slot-paired 机制将视觉记忆与音频记忆绑定存储。在多镜头生成过程中，记忆库持续保存并调用角色的面部特征、整体外观、说话人音色以及音画对应关系，使每个新镜头都以前续镜头的身份特征为条件进行生成，在长达 5 分钟的视频中保持故事级一致性，彻底解决角色变脸和音色突变问题。记忆驱动后训练与 DMD 蒸馏加速：团队推出一套记忆驱动的后训练流程，结合监督微调（SFT）、跨模态 RLHF 及 Distribution Matching Distillation（DMD）技术。其中 DMD 将原本的多步扩散推理压缩为少步推理，在保持生成质量的同时实现了约 7.5 倍的推理加速，使分钟级长视频的流式生成从理论变为实用。Director Agent 交互架构：框架引入一个智能导演代理，将用户的自然语言意图自动扩展为结构化的剧本、镜头、角色和场景描述，支持规划、生成、评审、局部修订四个环节的闭环工作流。用户可通过对话方式指定修改，Agent 仅重新生成有问题的局部镜头无需重跑整条视频，将静态生成转变为动态协作。轻量化实时音视频超分：为满足专业内容生产的高清需求，JoyAI-Echo 配套单步音视频超分模块，可在流式延迟约束下将 736×1280 的基础输出实时锐化至 1152×1920 或 1472×2560，确保高分辨率输出不打破流式生成的实时性。如何使用JoyAI-Echo克隆仓库：git clone https://github.com/jd-opensource/JoyAI-Echo.git创建环境：用 Python 3.11 + PyTorch 2.8 + CUDA 12.8，通过 conda 或 uv 安装依赖，并确保ffmpeg可用。下载模型权重：从 Hugging Face 下载约 46GB 的echo-longvideo-release.safetensors和约 24GB 的gemma-3-12b文本编码器，放置于checkpoints/目录。编写故事提示词：创建 JSON 文件，按角色与主体、动作与对话、风格、镜头运动、背景、音效与 BGM 的顺序描述每个镜头。运行推理：执行python inference.py，模型一次性加载后处理所有提示文件，输出至inference_result/outputs/目录。JoyAI-Echo的核心优势超长一致性：在长达 5 分钟的视频中，角色身份、视觉形象和声音音色保持高度一致，彻底解决同一个人演着演着变成另一个人的问题。极速生成：记忆驱动后训练结合 DMD 技术，推理速度提升约 7.5 倍，从等半天变为秒出片。对话式交互创作：Director Agent 将静态生成转变为动态协作，支持自然语言规划、评审和局部修订，大幅降低创作门槛。高清实时输出：轻量化超分模块在流式延迟下稳定输出高分辨率视频，满足专业内容生产需求。全面开源：代码与权重已全部开源，基于 LTX-2.3 和 Gemma 构建，支持学术研究与二次开发。JoyAI-Echo的项目地址项目官网：https://echo-team-joy-future-academy-jd.github.io/Echo-LongVideo-Page/GitHub仓库：https://github.com/jd-opensource/JoyAI-EchoJoyAI-Echo的同类竞品对比对比维度JoyAI-EchoHappyOyster长视频生成能力✅ 支持最长5 分钟多镜头连贯故事生成✅ 支持长视频生成，但具体时长未明确公开角色/身份一致性✅59.4%用户偏好；跨模态记忆库确保多镜头角色外观与音色一致27.7% 用户偏好；未明确披露类似记忆机制视觉美学✅63.6%用户偏好27.6% 用户偏好音频质量✅81.7%用户偏好；联合音视频生成，音色稳定11.8% 用户偏好提示词遵循✅80.6%用户偏好；Director Agent 自动拆分剧本与镜头5.9% 用户偏好生成速度✅ DMD 蒸馏加速，7.5 倍推理提速，支持流式生成标准多步扩散推理，未明确披露加速机制对话式编辑✅ Director Agent 支持自然语言交互与局部镜头修订，无需重跑全片❌ 未明确支持对话式局部编辑实时超分辨率✅ 轻量化单步超分，支持至1472×2560❌ 未明确支持实时超分开源情况✅ 代码与权重全面开源（学术研究/非商业用途）❌ 未开源底层架构基于 LTX-2.3 + Gemma-3-12B，配对跨模态记忆库条件生成基于自研模型，具体技术细节披露较少JoyAI-Echo的应用场景虚拟故事创作与动漫制作：生成长达数分钟的连贯动画故事，保持角色外观、声音和性格在多镜头间高度一致，大幅降低传统动画制作成本。数字人内容生产与直播：为虚拟主播、数字人客服快速生成长视频内容，确保数字人的面容和音色在长时间输出中不漂移，提升真实感与专业度。品牌营销视频快速迭代：通过 Director Agent 的对话式编辑能力，营销团队可像聊天一样修改广告脚本和镜头，快速产出多版本品牌视频，缩短创意周期。影视前期预演与分镜制作：导演和制片方可用自然语言生成长片分镜与预演视频，在正式拍摄前验证镜头语言、角色走位和叙事节奏，降低试错成本。# AI工具# AI项目和框架©版权声明本站文章版权归AI工具集所有，未经允许禁止任何形式的转载。上一篇Kimi Work - 月之暗面推出的通用型本地 Agent下一篇Ideogram 4 - Ideogram 开源的文本到图像生成模型相关文章Claude Opus 4.6 – Anthropic推出的最新编程AI模型AI小集2WhisperKeyboard – AI语音输入工具，基于 OpenAI Whisper 技术AI小集4Drama.Land – AI内容创作平台，创意到视频一站式解决方案AI小集3AI Developer – Skywork Super Agents推出的AI编程助手AI小集3Tailor Brands – AI Logo设计平台，支持设计名片、信纸、社交媒体封面等服务AI小集2TinyTroupe – 微软推出的多智能体角色模拟库AI小集3暂无评论再想想发表评论暂无评论…热门工具豆包LibTV秒哒AiPPT秘塔AI搜索TRAE编程堆友AI美图设计室绘蛙AI星流AI响指HaiSnap办公小浣熊最新收录OhYesAIOiiyaovue-skillsOpen Design立刻MV交织 Weave最新文章ChatGPT Plus 和 Claude Pro 会员代充值 – 支持支付宝、微信支付3分钟前PlanningBench – 腾讯混元等开源的大模型规划能力评测框架11分钟前PawBench – 阿里通义推出的通用智能体评测基准14小时前html-video – Open Design 团队开源的 HTML 版剪映17小时前WorkBuddy企业版 – 腾讯推出的企业级 AI 智能工作台17小时前Magenta RealTime 2 – 谷歌Magenta开源的实时音乐生成模型17小时前GitNexus – 开源代码知识图谱引擎，构建完整依赖关系图21小时前Microsoft Scout – 微软推出的 AI 个人助手2天前GreenConvert – AI 音视频转录平台，双引擎转录模式2天前AhaCreator – AI 原生海外达人营销平台，全流程 AI 托管2天前BrowserAct Skills – 开源的 AI Agent 浏览器自动化 CLI 工具2天前Gemma 4 12B – 谷歌开源的多模态大模型2天前Ideogram 4 – Ideogram 开源的文本到图像生成模型2天前Kimi Work – 月之暗面推出的通用型本地 Agent2天前Toonflow – 开源的一站式 AI 短剧创作工具2天前