昨天我打算做一条 3 分钟虚拟人物科普短片，用普通 AI 视频工具踩满了坑：前 30 秒人物五官正常，到第二段直接换脸；中途配音音色忽粗忽细，镜头有一处画面失真，想修复只能删掉整条视频重新生成，渲染一下午直接白费，气得我差点放弃。直到觅到京东 2026 年 6 月刚开源的 JoyAI-Echo，长视频创作所有糟心事一次性搞定。

JoyAI-Echo是啥？

AI视频制作这块，国外有Sora和Runway，国产也有可灵、即梦和海螺等，但制作长视频这款，选手真的不多。

JoyAI-Echo 是京东放出的长音频+视频一体生成开源框架，本地也能完整跑，代码和模型权重全部免费公开，综合实力一举站在了全球同类工具的第一梯队，属实不易。

做长视频的"瓷器活"

1. 视频只能做几十秒，一拉长到 1 分钟以上，人物长相、声音来回乱变，IP 形象完全不统一；

2. 生成速度巨慢，几分钟短片要等很久；

3. 画面有瑕疵只能整片重生成，没法单独改某一段镜头；

4. 原生分辨率模糊，想高清还要额外找第三方工具二次处理。

JoyAI-Echo的"金刚钻"

1. 最长一口气生成 5 分钟多镜头视频，人物声音全程不变
   

   内置记忆架构，全程记住角色长相、穿搭、配音音色，哪怕切换十几个镜头，人脸、声音不会跑偏，再也不会出现 “同一人两张脸” 的尴尬画面。

2. 7.5 倍加速渲染，等待时间大幅缩短
   

   用了 DMD 少步推理技术，同样一段视频，别的工具渲染 7 分半，它只需要 1 分钟，批量做短视频效率直接拉满。

3. 自带 AI 智能导演，说话就能改片子
   

   不用懂分镜、剪辑专业术语，打字说需求，AI 自动拆分剧本、人物、场景镜头；哪一帧画面不好看，直接指定局部修改，不用整条视频从头渲染，省大量时间。

4. 自带双档位高清放大
   

   不用额外装超分软件，原生支持两种画质升级，低分辨率素材一键拉到 2K / 接近 4K，画面更清晰。

实测效果

京东团队拿 100 个故事、3000 组镜头做了盲测，结果打分很实在：

• 台词识别准确率 86.46%，配音通顺不跑词

• 81.7% 的人更喜欢它生成的音频

• 超八成用户认为它能精准看懂文字提示词

总结

虚拟短剧、动漫短片、数字人带货短视频、品牌广告、教学动画、影视前期分镜预演，不管个人自媒体还是企业批量做内容都可以轻松上手。

GitHub仓库地址：https://github.com/jd-opensource/JoyAI-Echo

Hugging Face也同步开放模型下载。