刘强东：未来五年的技术进步，可能会超越过去十年的成就。

AI浪潮席卷而来，各类模型层出不穷，但视频生成始终是一块难啃的骨头。尤其是长视频，几乎很难一次性成功：不是角色动作出错，就是场景逻辑混乱。

这也让AI视频长期停留在“玩具”阶段，难以真正进入专业创作领域。

好在技术仍在不断突破，各大互联网公司也在持续攻坚。

日前，京东正式推出并开源JoyAI-Echo长音视频生成框架。相比此前行业里大量停留在“几秒钟短片”阶段的AI视频模型，JoyAI-Echo的核心突破，在于真正开始攻克“长视频生成”这一公认难题。

来源：京东黑板报

长期以来，AI生成长视频普遍面临三个关键问题：角色一致性容易崩坏、人物声音频繁变化，以及生成速度过慢，难以满足实际生产需求。而JoyAI-Echo正是围绕这三个问题进行了系统优化。

JoyAI-Echo内置了跨模态音视频记忆库，可以在多镜头生成过程中，持续记录并调用角色外观特征与音色信息，从而保证人物在长时间、多场景切换中的一致性。

经过实测，验证了在长达5分钟的视频生成过程中，角色身份、视觉形象以及声音音色依然能够保持高度统一。

来源：京东黑板报

这背后，本质上是在解决AI视频领域最棘手的“时序一致性”问题。

此前，大多数AI视频模型在生成短视频时表现尚可，但一旦时间拉长，就会出现人物面部变化、服装错乱、声音漂移甚至场景逻辑断裂等问题。

这也是为什么过去AI视频更多用于概念展示、实验短片，而难以真正进入工业化内容生产阶段。

JoyAI-Echo此次发布的意义，在于它开始让AI视频从“演示级”向“生产级”迈进，也标志着，京东在长视频生成领域进入全球第一梯队。

除了角色和声音一致性问题，JoyAI-Echo另一个重要突破就是生成效率。

京东团队提出了“记忆驱动后训练流程”，结合SFT、跨模态RLHF以及Distribution Matching Distillation（DMD）等技术，对生成链路进行了优化。其中，仅DMD技术就带来了约7.5倍的推理速度提升。

推理效率的提升，意味着AI视频开始具备更强的实时生产能力，也意味着商业化门槛正在下降。

JoyAI-Echo此次还加入了一个颇具代表性的功能：“对话式编辑”。

过去AI视频生成还有一个痛点，就是修改成本极高。用户如果对其中一个镜头不满意，往往需要重新生成整条视频。

但JoyAI-Echo引入了Director Agent（导演助理）机制，可以通过自然语言直接调整镜头、场景和角色内容，实现局部修改，而不必整体重跑。

这意味着AI视频正在从“静态生成工具”，逐渐演变为“动态协作工具”。

从产业层面来看，JoyAI-Echo的发布，对于京东自身体系也具有非常现实的意义。

当前电商行业已经进入“内容驱动消费”阶段。短视频、直播、种草内容，正在成为用户消费决策的重要入口。尤其是在抖音、快手等平台推动下，“短视频+直播”已经成为行业主流趋势。

而AI长视频生成能力一旦成熟，最先改变的就是电商内容生产逻辑。

这对于京东而言，不只是技术突破，更是平台能力升级。

因为京东本身拥有海量商家与商品生态。如果AI视频工具能够深度嵌入商家后台，那么它实际上会成为一种新的基础设施。

对于大量中小商家来说，AI生成内容意味着营销门槛下降；对于平台而言，则意味着内容供给能力大幅增加。

尤其是在直播电商与内容电商高度竞争的背景下，AI视频能力可能会逐渐成为平台的重要竞争力之一。

事实上，在AI技术赋能电商这件事上，京东已经布局多年。

除了此次推出的JoyAI-Echo之外，京东此前已经陆续发布了JoyAI基础大模型、JoyAI-RA具身智能模型、JoyInside、AI数字人以及AI智能体“京言”等多个AI方向产品。

其中，AI数字人与智能客服方向，已经较早进入实际业务场景。

早在2024年，京东就以集团创始人刘强东为原型，推出了“采销东哥”AI数字人，开启直播首秀。

开播仅30分钟，直播间观看量就突破千万；40分钟直播中，整体订单量破10万，整场成交额超过5000万元，用户平均停留时长达到日常均值的5.6倍。

来源：京东

去年12月，京东正式宣布京东数字人直播向所有商家免费开放，旨在帮助商家快速搭建全时段无间隙的24小时直播间。

同时，京东还全面开放公域流量，帮助商家实现降本增效，实现高效转化。

来源：京东云

而就在两个月前，刘强东的数字人形象再次出现在三亚国际游艇分展区活动现场，并发表致辞，同时宣告刘强东的个人游艇品牌在三亚落地。

如今JoyAI-Echo的推出，也意味着京东开始进一步向AI内容生产链路延伸。

从整个行业来看，长视频生成赛道也正在迅速升温。

2026年初，字节跳动推出Seedance 2.0视频生成模型，被不少业内人士视为AI视频从“可用”迈向“生产级”的关键节点之一。

随后在2026年5月，火山引擎又正式上线“火山剧创1.0”，开始覆盖短剧创作全流程，包括剧本生成、镜头拆解以及视频生成等环节。

来源：火山引擎

这背后反映出的，是字节对于“AI内容工业化”的明确布局。

因为字节本身拥有抖音、西瓜视频等庞大的内容生态，而短剧又是当前流量增长最快的内容形态之一。

AI视频能力如果能够降低短剧生产成本，将直接影响未来内容供给效率。

阿里同样在快速推进视频生成方向。

此前，HappyHorse曾匿名登顶图生视频榜单，随后阿里巴巴正式“认领”HappyHorse，并确认是由其旗下ATH（Alibaba Token Hub）创新事业部研发。

来源：Artificial Analysis

来源：X平台

2026年5月，阿里云又推出AI视频创作平台“万镜一刻”，整合HappyHorse、Wan、Qwen-image、Z-image等多套模型能力。

来源：万镜一刻

值得注意的是，阿里的思路更偏向“完整创作链路”。

其平台不仅提供视频生成，还引入了“编剧Agent”“导演Agent”“提示词Agent”等功能模块。

例如，编剧Agent可以把一句话创意扩展成完整剧本，导演Agent负责拆解镜头，而提示词Agent则负责生成电影级运镜语言。

这种模式本质上是在尝试构建整个影视工业流程。

快手方面，则在2026年2月正式全球上线可灵3.0系列模型，包括可灵视频3.0、可灵视频3.0 Omni等产品。

由于快手本身长期深耕短视频与直播生态，因此其AI视频能力也被视为未来平台商业化的重要方向之一。

来源：可灵AI 

可以发现，AI视频生成技术，正成为几大互联网巨头的必争之地。竞争的焦点，也在从单一的“生成能力”转向更全面的“工业化能力”。

更要看解决角色一致性、长时序逻辑、交互式编辑的能力，以及能否支撑起商业化生产的高效率需求。

当然，现阶段AI长视频仍然存在不少限制。

包括算力成本较高、复杂剧情稳定性不足、细节控制能力有限，以及版权与数据合规等问题，依然是行业需要持续面对的挑战。

尤其是随着AI生成内容规模扩大，关于训练数据来源、版权归属以及内容真实性的问题，也会越来越受到重视。

但整体来看，AI视频行业已经进入明显加速阶段。

而长视频能力一旦成熟，它带来的影响将不仅仅局限于娱乐行业。

广告、电商、教育、游戏、短剧、品牌营销、虚拟主播、数字人直播，乃至未来的互动影视，都可能因此发生变化。

对于平台而言，AI视频意味着更低的内容生产成本、更高的内容供给效率以及更强的商业转化能力。

对于创作者而言，则意味着内容生产门槛进一步下降。

而对于整个互联网行业来说，这意味着“内容工业化”正在进入全新的阶段。

特别声明：以上文章内容仅代表作者观点，不代表本站观点或立场。如有关于作品内容、版权或其它问题请于作品发表后与我们联系。