导语（The Hook）
长视频生成领域有三大老大难：误差累积让画面越生成越糊、角色跨镜头就换脸换声音、长时域推理慢到没法用。2026 年 8 月底，京东 Joy Future Academy 团队把 JoyAI-Echo 1.5 整体开源：一个仓库装了两个模型——Echo-LongVideo能生成 10 分钟以上多镜头连贯音视频，角色长相和声音全程在线；Echo-WM则是一个"可进入"的全模态世界模型，用键盤断断续续地开、转向、后退，它就同步吐出 720p 画面 + 环境音 + 音乐 + 语音。世界模型变体在世界模型权威基准WBench 上以 81.7 平均分排名第一，把 Genie 3（73.9）甩在身后。代码、权重、ComfyUI 支持、UE 数据管线，这次全部放出来了。
硬核科普（Tech Wiki）
长时域音视频生成（Long-Horizon Audio-Visual Generation）
一句话定义：让模型一次生成几分钟到十几分钟的音视频，且角色外貌、声音、场景在镜头切换间保持一致。
类比说明：就像一个剧组要拍 10 分钟短片，前一个镜头的主角和配乐，观众在下一个镜头里必须一眼认出来——现在的视频模型经常"换了机位就换了主角"。
为什么难：扩散模型一次只能生成几秒到几十秒，靠"接着上一段续写"拼长视频时，误差会逐段累积，一致性随之崩塌。
可进入的全模态世界模型（Enterable Omnimodal World Model）
一句话定义：不只是"看"预渲染的视频，而是用户通过相机控制实时"走进"生成出来的世界，画面、环境音、音乐、语音跟着你的操作同步演化。
类比说明：传统视频生成像看电影，世界模型像玩开放世界游戏——区别在于，这个世界不存在于任何硬盘上，它是由模型实时"想象"出来的。
相机意图（Camera Intent）与 6-DoF 轨迹
一句话定义：把键盘按键、游戏手柄、连续姿态等五花八门的控制输入，统一翻译成度量尺度的相对 6 自由度相机轨迹（前进、横移、升降、俯仰、偏航、翻滚）。
类比说明：就像给不同的"方向盘"配了一个统一的"行车记录协议"——不管你用什么设备开车，系统记录的都是标准化的位移和转向。
Self-Gradient Forging（SGF，自梯度强制）
一句话定义：一种让模型用"自己生成的结果"作为上下文继续训练的后训练技术，配 Teacher Forcing（教师强制）逐步过渡，解决自回归推理时"训练和推理看到的数据分布不一致"问题。
类比说明：先让徒弟抄老师傅的成品学习（教师强制），再让徒弟独立干活、师傅在旁边指着偏差纠正（SGF），最后徒弟能又快又稳地独立出师。
核心突破：JoyAI-Echo 1.5 深度拆解
JoyAI-Echo 1.5 不是一个模型，而是基于 LightricksLTX-2骨干构建的统一系统，拆成两个专门变体，分别攻"长叙事"和"交互世界"。两篇论文同时放出：arXiv:2608.23383（系统总述）和 arXiv:2608.23189（EchoWM 世界模型专述）。
图 1：EchoWM 的"可进入世界"概念图——给定参考观测、结构化世界描述和以相对 6-DoF 轨迹表示的用户控制序列，单一模型同时支持第一/第三人称交互、同步环境声与语音、多轮续播。这张图值得看的原因：它是整个工作的"世界观"，后面所有设计都服务于"让生成媒体可以被走进去"这个目标。
痛点：为什么之前的方法搞不定？
关键瓶颈：
跨镜头一致性：多镜头长视频里，角色外貌和声音随镜头切换漂移；1.0 版本的音频记忆用短窗口采样，容易被背景音乐"污染"。
控制器绑定：已有世界模型（如 Genie 系列）把交互绑定在特定动作标签上，换一个控制器就得重新定义动作空间，第三人称角色控制更是需要专门设计。
长时域效率：双向扩散骨干做自回归续写，多步采样让 10 分钟生成的延迟高到不实用。
方案一：Echo-LongVideo，用"组合式跨镜头记忆"锁住角色
架构创新：
视觉记忆：从同一角色的场景不相交片段中采样单帧，经视频 VAE 编码后作为记忆 token 注入。
音频记忆：不再用短窗口，而是对完整镜头音频先做语音过滤（MSST 工具包）再编码，把"这个人说话是什么音色"干净地提取出来，避免背景音乐主导。
RoPE 分区：目标 token 放低偏移区（<500），历史记忆按镜头依次放在 500、550、600……初始记忆放 ≥5000 的高偏移区——用位置编码给记忆"排座位"，让注意力知道谁是谁。
四种条件组合：文本生音视频（T2AV）、图像生音视频（I2AV）、记忆+文本（MT2AV）、记忆+图像+文本（MTI2AV），统一接口联合训练。
训练策略：两阶段数据课程——Stage I 用身份中心的"记忆语料"教会模型检索记忆，Stage II 用无字幕、多分辨率（720×720 / 1280×720 / 720×1280）、扩充中文的数据增强通用质量与转场建模。质量过滤包括学习型感知评分、拉普拉斯锐度、OCR/贴片过滤、光流统计和基于感知哈希 + DINOv2 的身份级去重。
图 2：记忆条件化长视频生成与少步加速总览。上半部分是统一条件化接口（单帧视觉记忆、语音过滤音频记忆、分离的 RoPE 坐标），下半部分是记忆鲁棒的联合 DMD 蒸馏——非对称优化（视频全量微调、音频 LoRA）加上音频专属对抗与 RMS 能量约束。对应正文"方案一"整段。
少步加速：多步教师蒸馏成8 步学生生成器。蒸馏做了三件讲究事：①非对称优化——视频分支全量微调，音频分支和跨模态注意力只动 LoRA；②粗到细噪声调度——先高 shift + 大学习率搭视频结构，再低 shift + 小学习率磨音频细节；③训练时对视觉记忆做随机退化，保证推理时记忆质量稍差也能稳住。
方案二：Echo-WM，用"相机意图"统一所有交互
架构创新：
统一 6-DoF 接口：键盘指令经固定映射转为局部线速度/角速度增量，SE(3) 积分成轨迹；连续姿态直接进入同一表示。选轨迹而非动作标签的三个理由：数据覆盖广、没有控制器相关的逆映射歧义、保留了垂直运动和翻滚这类连续自由度。
全局尺度校准：不同来源数据的运动幅度差异巨大（动作数据平移幅度中位数 12.7，带语音数据只有 3.9），团队用全数据集统一的 90 分位数做平移尺度校准，避免逐片段归一化抹掉位移差异或造成续播边界尺度突变。
UCPE 注入：相对 6-DoF 轨迹通过统一相机位置编码（UCPE）注入注意力，一半通道走射线几何变换、其余保留 RoPE；相机分支零初始化，与视频自注意力并行，只作用于视频 token。
第一/第三人称通吃：第一人称中轨迹直接控制观察者；第三人称中相机—角色的耦合动态直接从数据学出来，不需要为每个视角设计专用控制器——人类、动物、其他前景主体都用同一套接口。
图 3：EchoWM 总体架构。左：异构输入（键盘、动作日志、估计位姿）统一为校准后的相对 6-DoF 轨迹事件流；中：相对 UCPE 分支注入视频自注意力；右：AV-CPT → Action-SFT → Joint-FT → 自回归后训练的四阶段课程。这是全文技术密度最高的一张图。
四阶段渐进训练：
AV-CPT：全骨干在音视频富集数据上预训练，保留完整标注；
Action-SFT：冻结骨干，只训相机分支——数据换为控制干净混合，并刻意移除 narrative 类运动文本，防止模型从文本提示里"抄答案"而非听控制；
Joint-FT：两组参数低学习率端到端联合微调；
自回归后训练：音视频教师强制 → 短时程 SGF（配 DMD 蒸馏压成4 步采样）→ 长时程 SGF（段间末帧继承、sink+FIFO 有界 KV 缓存、层级式长程梯度路径）。
数据引擎：四个互补数据源——内部采集游戏录像（原生音频+动作日志）、互联网人类游玩录像（自然控制时机+语音）、UE 仿真（真值度量位姿，1 个第一人称 + 4 个第三人称机位）、通用网络视频。位姿恢复用 ViPE + VGGT-Omega + MoGe-2 在约 1 分钟长窗口上优化，标注由 Qwen3-Omni 与 Gemini-3-Pro 完成并规范化为七个结构化字段。仓库在 2026 年 9 月 4 日进一步放出了这条 UE 仿真管线的代码（物理轨迹生成 + Movie Render Queue 渲染 + 分布式调度）。
方案三：Director Agent，把长片生成变成"剧组流水线"
对超过 10 分钟的长片，系统引入 Director Agent：从开放式用户意图出发，自动完成剧本开发 → 镜头计划 → 提示增强 → 逐镜头生成 → 分层审查与实时干预 → 镜头通过后记忆准入→ 组装交付。持久项目工作区支持从任意中间镜头恢复；默认全自主，也留了人类在环的检查点。
图 4：Director Agent 闭环——注意"镜头通过后记忆准入"这一步：只有审查合格的镜头才会写入跨镜头记忆库，污染记忆的坏镜头被挡在门外，这是长片一致性的工程保险。
效果：实验证明了什么？
关键指标（WBench Navigation，158 例，0–100 分）：
模型
Avg
Quality
Setting
Interaction
Consistency
Physical
EchoWM
81.7
81.5
79.4
87.2
89.8
70.6
EchoWM-Flash
81.0
81.1
88.3
87.9
77.5
70.1
HiDream-O1-World
80.9
81.0
82.2
80.0
88.0
73.3
Genie 3
73.9
EchoWM 平均分第一，Flash 版的 Interaction（87.9）为全场最高——少步蒸馏几乎没有牺牲交互跟随。
SANA-WM-Bench（241 帧短时程）：VBench Overall 达 83.91（Simple）/ 83.96（Hard），超过此前最佳的 DreamX-World（82.42 / 82.03）；平移误差 T=0.160、CMC=0.162 均为领先水平。
961 帧长时程：Simple 拆分 VBench 81.36 为全场最高，重访一致性 revisit PSNR 达15.10 dB（最高），成像质量衰减 ΔIQ 仅 0.02——通俗说：走了一圈回到原地，场景基本还是原来那个场景。961 帧因果流式版本（EchoWM-Flash）VBench 80.13 / 81.06，均优于 Evoke、LingBot-World-v2、SANA-WM ± Causal Refiner。
用户研究（200 例）：对比 LingBot-World-v2 总体偏好胜率 46.50% vs 21.57%；对比 HappyOyster 胜率 63.13% vs 27.06%，其中自动驾驶（75.00%）和多社交场景（81.25%）大幅领先。
图 5：Echo-LongVideo 的 10 分钟级多镜头生成样例——跨镜头的角色外貌与声音一致性直接看图说话，这正是"组合式跨镜头记忆 + 语音过滤音频记忆"交付的效果。
局限性与适用边界（作者自己承认的部分）
Hard 拆分上的旋转误差：961 帧 Hard 拆分中旋转误差 R=12.05°，略逊于 SANA-WM 的 10.02°——难轨迹下的精确转向还有差距。
语义跟随弱项：用户研究中对 HappyOyster 的语义跟随胜率仅 13.63%（对 29.44%），具身机器人场景下更是只有 8.67%——纯指令语义理解的短板被对手抓住了。
域外泛化的边界：训练数据不含 2D/2.5D 游戏与机器人数据，虽然论文展示了超出训练域仍保持视角演化一致，但这属于未经专门优化的"意外泛化"。
许可证限制：基于 LTX-2 构建，JD 的修改部分仅限学术研究和非商业用途，商用需联系 Lightricks。
技术溯源与关联工作团队脉络
Joy Future Academy（京东）联合 HKUST、PKU、HKU、THU、USTC、FDU、北航、斯坦福等机构完成。值得注意的作者签名：Lvmin Zhang（ControlNet 一作、LTX 系列核心开发者）和 Zeyue Xue 出现在 EchoWM 作者列表中——这也解释了为什么整条技术栈能如此深度地构建在 LTX-2 上。
时间
工作
核心贡献
2026-06
JoyAI-Echo 1.0
长音视频生成框架，系统提出误差累积、一致性、延迟三大问题（现归档于 echo1.0 分支）
2026-08
JoyAI-Echo 1.5 / Echo-LongVideo
组合式跨镜头记忆 + 8 步 DMD 蒸馏 + Director Agent，10 分钟级生成
2026-08
EchoWM
可进入全模态世界模型，WBench 登顶
2026-09
UE 数据引擎管线
世界模型的物理轨迹生成 + 渲染 + 分布式调度开源
技术演进路线
从 1.0 到 1.5 的三个关键改进：
音频记忆从短窗口升级为"语音过滤后全镜头"，声音一致性显著增强；
双向骨干通过渐进式教师强制 + SGF 转化为因果少步生成器（4 步），长时域推理从"不实用"变"可用"，并给出消费级 GPU 推理配置；
交互从无到有：世界模型变体引入统一相机意图接口，且开源路线图明确接下来迁移 LTX-2.5 骨干、用稀疏注意力 / Paged KV-cache / FP8-TensorRT 继续砍长 rollout 成本。
资源直达
论文 1（系统总述，JoyAI-Echo 1.5）：https://arxiv.org/abs/2608.23383
论文 2（EchoWM 世界模型）：https://arxiv.org/abs/2608.23189
GitHub 仓库（代码 + 权重入口 + UE 管线）：https://github.com/jd-opensource/JoyAI-Echo
项目主页：https://echo-team-joy-future-academy-jd.github.io/Echo-1.5-Page/
京东探索研究院：https://research.joyai.com/
代码、HuggingFace 权重、ComfyUI 支持均已开源（学术非商用许可）。
关注我们，第一时间追踪具身智能与生成模型前沿干货。
Mbot具身智能实验室
让尖端科技触手可及，人人皆可探索未来
Mbot基础交流群等你加入，下方扫码联系
具身-杰西
Mbot具身-小助手
Mbot-视频号
Mbot-公众号
热门跟贴