京東發佈 JoyAI-Talker 實時語音交互模型與 JoyAI-Video-Edit 視頻編輯模型

2026 年世界人工智能大會暨人工智能全球治理高級別會議（WAIC）7 月 17 日在上海正式揭幕，今年以「三地四館」模式同步串聯世博展覽館、張江科學會堂與西岸會場。作為大會重點參展企業之一，京東於 7 月 18 日在上海世博展覽館以「AI 進入物理世界」為核心主題首度公開亮相，系統展示其專為物理場景打造的 JoyAI 模型矩陣，並同步發表兩款全新模型：即時語音對話模型 JoyAI-Talker 與即時影片編輯模型 JoyAI-Video-Edit。京東本次發表的 JoyAI-Talker 是一款專注於即時語音互動的模型，強調低延遲對話能力，同時內建情緒理解、工具呼叫與記憶機制。

根據京東官方說明，該模型能夠從過去機械式的指令執行，進化為真正理解使用者意圖與當下狀態。具體來說，模型可以透過聲紋辨識用戶身份，並結合環境數據來判斷對話情境與目的，從而在互動過程中提供更貼近人類直覺的回應。例如，在居家或物流場景中，用戶無須反覆下達明確指令，模型便能根據語調與環境變化自動調整應答策略。另一款同步亮相的 JoyAI-Video-Edit 則將重點放在影片創作的即時性與靈活性。這款模型支援使用者自訂畫面內容，並且能夠在編輯過程中「邊預覽邊修改」，大幅降低傳統影片後製的等待時間。

JoyAI-Video-Edit 的技術核心在於將影片處理能力延伸至流式編輯架構，意味著用戶可以直接對著正在播放的影片畫面，用自然語言下達增減物件、替換人物、轉移服裝，甚至重建整個場景的指令，模型隨即即時更新輸出。這項能力對於短影音製作、廣告創意、電商商品展示等領域尤具應用潛力。事實上，京東在今年以來已陸續推出七個基礎模型，涵蓋不同模態與任務。先前發表的包括 Joy-Image-Edit、JoyAI-Echo、JoyAI-VL-Interaction 等模型，這些產品共同構成了京東以 JoyAI 基座大模型為核心的技術版圖。

目前京東的基礎模型體系已涵蓋語音、圖像、影片、即時互動、世界模型與具身智能等面向，企圖打造一條從虛擬到物理世界的完整 AI 能力鏈。在本次 WAIC 期間，京東也宣布開源了目前業界最大的人類視角數據集 EgoLive，該數據集專門用於訓練第一人稱視角的 AI 模型，有助於讓機器更理解人類的真實觀察與行為模式。此外，京東打造了首個名為 JoyInside 的「AI Home」示範空間，讓參觀者能夠現場佩戴 JoyEgoCam 頭戴裝置，親身體驗第一視角數據的採集過程，感受 AI 如何從人類的視角「邊看邊說」。

從展區設計來看，京東今年的展位試圖讓 AI 不再只是螢幕後的對話框，而是真正走進生活空間。透過 JoyAI 模型矩陣，無論是在倉儲物流的語音排程、居家環境的互動控制，還是影片內容的即時編輯，京東都在嘗試將 AI 與物理世界中的具體操作場景銜接起來。這與今年大會不少廠商強調的「從虛擬到大規模落地」趨勢相互呼應。值得注意的是，京東在模型能力上的布局並非僅停留在技術展示層面。

以語音互動為例，JoyAI-Talker 所具備的記憶與情境感知能力，可在電商客服、倉庫揀貨、智能家居等場景中提供更自然的對話體驗；而影片編輯模型則可能直接服務於京東平台的商品展示、直播帶貨與短影音行銷，讓創作者與商家能以更低門檻產出高品質視覺內容。業界分析指出，京東選擇在 WAIC 這個全球 AI 對話平台上集中展示實時語音與視頻編輯兩項技術，反映出其對於「互動即時化」與「內容生成低延遲」兩大方向的戰略優先級。隨著多模態大模型競賽進入白熱化階段，京東正試圖透過整合自身在供應鏈與零售場景的數據優勢，讓 AI 模型不僅能「聽懂話」，還能「看懂畫面」並即時作出反應。

在展會現場，京東也同步開放了部分模型的體驗環節，吸引大批參觀者排隊測試。搭配開源數據集 EgoLive 與 AI Home 沉浸式展區，京東希望讓外界更直觀地理解第一人稱視角對於未來 AI 訓練的重要性。據了解，未來京東將持續擴充 JoyAI 模型矩陣，並逐步將這些模型嵌入到旗下的物流、零售及雲端服務產品中。整體而言，京東在 WAIC 2026 上的亮相，不只是單純的模型發表，更是一次從技術到場景的全鏈路展示。

從 JoyAI-Talker 的語音互動到 JoyAI-Video-Edit 的即時編輯，再到 EgoLive 數據集的開源與 AI Home 的落地體驗，京東正努力把 AI 從「一問一答」的對話框解放到「邊看邊說」的物理世界。