# 京东开源 JoyAI-Echo，5 分钟 AI 长视频不崩，推理速度提了 7.5 倍

> 原标题：5分钟AI长视频不翻车！国产开源框架杀到全球第一梯队

- 来源：量子位 · 公众号
- 发布时间：2026-06-07T01:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/35140
- 原文：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247895580&idx=1&sn=5b2a135ab096cac4c5092ce4e0e334fd

## 摘要

京东放出了一个叫 JoyAI-Echo 的开源框架，专门解决 AI 生成 5 分钟长视频时画面容易崩、前后不一致的问题。它用跨模态记忆模块把视频里的角色、场景信息存下来，保证长镜头里不会突然变脸或换衣服。训练上用了 DMD 后训练技术，推理速度比原来快了大概 7.5 倍，生成一段视频的成本和时间都压下来了。输出端还做了实时超分，能把 720P 画面直接...

## 推荐理由

我会先打个折：正文没提第三方评测或用户实测，所有性能数据都来自京东自己，所以效果得等上手再看。但这条消息本身有料——JoyAI-Echo用记忆模块存角色和场景信息，解决长视频变脸换衣服的老毛病，推理还快了7.5倍，成本往下走。对做视频生成的团队来说，开源就意味着能拿来改、能压成本，这点挺实在。先给80分，等有实测对比再往上调。

## 锐评

这条消息最值得关注的点是“5分钟不翻车”。现在大多数AI视频生成撑不过几十秒就开始崩，角色走形、场景乱跳是常态。JoyAI-Echo用了一个跨模态记忆模块，相当于给视频建了个角色和场景的档案，生成时随时调取，所以长镜头里不会突然换脸换衣服。训练上用了DMD后训练技术，推理速度比原来快了约7.5倍，这意味着生成一段长视频的成本和时间都压下来了，对实际落地很关键。输出端还做了实时超分，720P能直接拉到1K或2K。

不过得打几个折。第一，正文没披露具体在哪个数据集上测的，也没给对比模型的名字和分数，只说“全球第一梯队”，这个说法比较模糊。第二，5分钟视频的连贯性到底稳到什么程度，没有给出量化指标，比如人脸一致性分数或者用户主观评分。第三，开源框架的实际部署门槛、显存占用这些工程细节也没提。如果是真的，这套方案在短视频、虚拟人直播这些场景里挺省钱，但现阶段只能先当“有潜力的开源项目”看，等第三方复现和更多消融实验出来再下结论。