京东也开始“造世界”了：EchoWM 开源，AI 视频一口气生成 10 分钟以上

AIGC资讯

2026-09-15浏览 222,588 字 · 约 9 分钟

…

目录一、先把 AI 视频从几十秒拉到 10 分钟0%

AI 视频，还在卷：

5 秒。

10 秒。

30 秒。

60 秒。

京东这次直接把时间轴继续往后拉了。

在 JDD 2026 上，京东探索研究院集中展示 JoyAI-Echo 系列最新进展：

JoyAI-Echo 1.5

以及：

EchoWM。

前者解决的是：

视频能不能一直生成。

后者解决的则更有意思：

生成出来的世界，能不能真的进去探索。

JoyAI-Echo 1.5 已经展示：

10 分钟以上的连续音视频生成。

而 EchoWM 更进一步：

用户改变方向、移动镜头以后，AI 会继续生成后面的世界。

连：

环境声；

音乐；

人物语音

都会跟着场景一起变化。

AI 视频开始从：

“给我生成一段片子”

走向：

“给我生成一个可以进去的世界”。

一、先把 AI 视频从几十秒拉到 10 分钟

现在绝大多数视频模型最擅长的仍然是：

短 Clip。

问题在于：

视频一旦变长，

人物容易变脸；

衣服容易变化；

声音容易漂；

场景关系开始混乱；

故事也越来越接不上。

JoyAI-Echo 1.5 做的核心事情就是：

跨镜头记忆。

它通过可组合的音视频 Memory Bank，让模型在后续镜头生成时继续参考：

人物外观；

历史画面；

声音特征；

角色关系；

故事信息。

所以即使进入新的镜头：

模型依然尽量记得：

这个人是谁。

他说话是什么声音。

刚才发生了什么。

二、10分钟不是把同一个镜头硬拉长

这里容易理解错。

JoyAI-Echo 1.5 的“10分钟以上”更接近：

多镜头长叙事。

而不是：

让一个扩散模型死撑 10 分钟不停生成同一镜头。

它可以围绕一个故事持续：

规划；

切换镜头；

保留角色；

延续情节；

维护声音。

整个流程更像：

故事需求
↓
剧情展开
↓
分镜规划
↓
逐镜生成
↓
跨镜头记忆
↓
质量审核
↓
继续生成
↓
最终成片

真正要解决的是：

Story-level Consistency。

也就是：

故事级一致性。

三、Director Agent 甚至开始负责“导演”

这一版还有一个很 Agent 的能力：

Director Agent。

用户不一定要自己把十分钟内容拆成几十条 Prompt。

可以直接给：

故事设定；

角色；

主题；

风格。

Director Agent 再继续完成：

故事扩展；

分镜规划；

镜头生成；

结果检查；

成片组装。

这其实意味着视频 Agent 的形态也开始变化。

以前：

AI 是摄影机。

你告诉它：

“生成这个镜头。”

现在开始变成：

AI 是一个小型制作组。

用户给创意目标。

剩下的工作进一步自动化。

四、生成速度最高提高到7.5倍

长视频最大的问题除了稳定性：

还有一个字：

贵。

十分钟视频如果按照传统扩散方式一帧一帧慢慢跑：

成本和时间都会非常夸张。

JoyAI-Echo 系列通过后训练和少步生成，将推理速度最高提升：

7.5 倍。

公开展示中：

使用 2 张 H200

在 480P 分辨率下，

平均可以做到约：

24 FPS。

也就是接近：

1:1 等时生成。

简单理解：

一分钟视频，

理论生成时间开始接近一分钟量级。

当然，实际速度仍然会受到：

配置；

镜头复杂度；

生成参数

等因素影响。

但对于长视频来说，这个方向非常关键。

五、但 EchoWM 才是这次真正有意思的东西

如果说 JoyAI-Echo 1.5 还是：

AI帮你拍电影。

EchoWM 做的就是：

AI直接给你造一个世界。

EchoWM 全称：

Echo World Model。

官方定义是一款：

可进入的全模态世界模型。

它不是预先把整个世界全部建好。

而是：

你往前走，

模型继续生成前面的内容。

你往左转，

它生成左边的世界。

你调整视角，

画面继续变化。

这有点像：

实时生成的游戏。

六、最特别的是：这个世界有声音

很多世界模型目前主要关注：

视觉。

你操作角色向前走。

模型生成新的画面。

但现实世界并不是静音的。

EchoWM 把：

视频；

环境音；

音乐；

语音

直接放进同一个生成过程。

例如你从：

室外走进酒吧。

画面会从街道变成室内。

与此同时：

街道环境声减弱；

室内音乐变强；

附近人的声音开始出现。

你再走远：

声音又继续变化。

也就是说：

声音不是后期贴上去的。

而是跟世界状态一起生成。

这也是 EchoWM 和不少纯视觉 World Model 很不一样的一块。

七、第一人称、第三人称都能控制

EchoWM 把不同操作统一成：

6-DoF Camera Trajectory。

也就是六自由度相机轨迹。

第一人称里：

控制的就是观察者移动。

例如：

前进；

后退；

左右移动；

抬头；

低头；

旋转。

第三人称则更加复杂。

因为模型不仅需要理解：

摄像机怎么走。

还要理解：

角色如何与摄像机保持合理关系。

例如：

角色继续向前跑，

镜头在侧后方跟随。

模型需要同时维持：

角色动作；

环境；

视角；

空间关系。

这已经不是传统：

Image-to-Video。

更接近：

Action-to-World。

八、支持连续多轮探索，而不是操作一下就结束

世界模型真正难的地方是：

滚雪球误差。

第一步：

还挺正常。

走十步：

空间开始漂。

走一百步：

整个世界可能已经崩掉。

EchoWM 因此重点研究：

Long-Horizon Rollout。

通过因果生成、缓存、轨迹控制和长程训练，让世界可以连续往后发展。

JoyAI-Echo 1.5 论文中报告，世界模型版本在 WBench 上取得：

81.7 的平均分。

并在多项世界模型评测中取得领先结果。

不过需要注意：

这些仍然属于研究 Benchmark。

并不意味着现在的公开模型已经可以像成熟 3A 游戏一样无限稳定运行。

九、开源版本已经可以自己跑

EchoWM 目前已经开放：

代码

以及：

模型权重。

公开仓库已经提供：

Echo-WM Base；

Echo-WM Flash Preview。

用户可以输入：

首帧图片；

Prompt；

动作指令。

然后控制：

W / S 前后；

A / D 左右；

视角俯仰；

视角旋转。

系统会生成对应：

视频 + 音频。

甚至官方已经提供：

Gradio Web Demo。

可以本地启动一个交互界面进行测试。

十、不过开源版目前还有一个重要限制

这点我觉得必须说清楚。

虽然 EchoWM 的研究展示强调：

长程、持续交互。

但目前公开的 Echo-WM Base 主要是：

约10秒级生成。

Echo-WM Flash 当前也是：

Preview。

官方已经明确表示：

更长 Horizon 的 Flash 版本还会继续发布。

所以目前更准确的理解是：

核心架构、代码和短时程模型已经开源。

长时间流式探索：

还在继续完善。

另外当前仓库许可主要面向：

学术研究和非商业用途。

如果准备直接用于商业产品：

需要额外注意许可证要求。

十一、为什么“视听世界模型”比视频生成更值得看？

因为视频模型的结果是：

固定的。

Prompt 一提交：

生成什么就是什么。

世界模型则有一个完全不同的变量：

Action。

未来的内容变成：

当前世界状态
+
用户操作
+
模型预测
=
下一刻世界

这意味着每个人进入同一个起点：

后面的结果都可能完全不同。

所以它不仅能用于：

AI视频。

还可能进入：

游戏

VR / AR

数字人

机器人仿真

自动驾驶训练

具身智能

这些场景。

这才是世界模型真正大的想象空间。

十二、世界模型和机器人其实天然是一对

JDD 今年本身的主题就是：

JoyAI · 跃迁物理世界。

因为世界模型还有另一个特别重要的用途：

给机器人练级。

真实机器人训练非常贵。

机器人摔一次：

可能真的坏。

机械臂抓错一次：

可能真的砸东西。

如果能够先在生成世界里：

看；

移动；

操作；

失败；

重新尝试，

模型就可以在进入真实环境之前：

完成大量预训练。

所以京东这次同时展示：

世界模型；

真实数据；

仿真工具；

具身模型，

其实是一条完整链路。

十三、京东把 JoyAI 模型矩阵也摊开了

这次 JDD 上，京东展示的并不只有 Echo。

整个 JoyAI 基础模型体系已经开始覆盖：

图像生成

视频生成

音视频生成

多模态理解

智能语音

世界模型

具身智能

等方向。

整个路线已经比较明显：

过去 AI 主要处理：

文字和数字世界。

下一阶段开始进入：

声音、视频、空间和物理世界。

EchoWM 正好处在这个连接点。

结语

京东这次 JoyAI-Echo 系列可以记住两个关键词：

JoyAI-Echo 1.5

解决：

“AI视频能不能真正变长。”

目前已经展示：

10分钟以上多镜头音视频生成。

拥有：

跨镜头视觉记忆；

声音身份记忆；

Director Agent；

最高7.5倍推理加速。

EchoWM

解决：

“AI生成的世界能不能真正进去。”

它可以围绕用户操作：

持续生成画面；

环境音；

音乐；

语音。

支持：

第一人称；

第三人称；

6DoF控制；

连续多轮探索。

而且：

已经开放代码和模型权重。

以前我们说：

AI 能生成一张图。

后来：

AI 能生成一段视频。

再往后可能真的会变成：

AI 给你生成一个世界。

你不是站在外面看。

而是：

直接进去。

这可能才是 EchoWM 最值得关注的地方。

京东也开始“造世界”了：EchoWM 开源，AI 视频一口气生成 10 分钟以上

一、先把 AI 视频从几十秒拉到 10 分钟

二、10分钟不是把同一个镜头硬拉长

三、Director Agent 甚至开始负责“导演”

四、生成速度最高提高到7.5倍

五、但 EchoWM 才是这次真正有意思的东西

六、最特别的是：这个世界有声音

七、第一人称、第三人称都能控制

八、支持连续多轮探索，而不是操作一下就结束

九、开源版本已经可以自己跑

十、不过开源版目前还有一个重要限制

十一、为什么“视听世界模型”比视频生成更值得看？

十二、世界模型和机器人其实天然是一对

十三、京东把 JoyAI 模型矩阵也摊开了

结语

JoyAI-Echo 1.5

EchoWM

相关链接

JoyAI-Echo GitHub

EchoWM 开源代码

JoyAI-Echo 1.5 长视频项目

JoyAI-Echo 1.5 论文

EchoWM 论文

JoyAI-Echo 项目主页

JoyAI 官网

京东云

评论 0

推荐阅读