視頻能“邊播邊改”：京東開源自研 JoyAI-Video-Edit 模型，各項指標全球領先

京東於今日（2026年8月5日）正式宣布開源其自主研發的實時流式視頻編輯模型——JoyAI-Video-Edit。這項技術突破打破了傳統視頻編輯「先有素材、再事後修改」的流程，讓用戶能在觀看影片的同時，即時對人物、場景、風格進行編輯，實現「邊播邊改」的互動式創作體驗。京東官方指出，JoyAI-Video-Edit在流式實時視頻編輯領域的各項關鍵指標上，均超越當前國際上具代表性的同類模型，達到世界一流水平。要實現視頻的實時編輯，首要克服的是處理速度的瓶頸。視頻由連續的幀畫面構成，若模型每幀的運算跟不上播放節奏，就會出現明顯的卡頓與延遲。

京東團隊基於全自研的JoyAI-Video基底模型，在720P解析度下成功達到每秒30幀的模型推理速度，這意味著它能順暢對應主流影視作品的播放幀率，同時維持不錯的畫面清晰度，為即時互動提供了技術基礎。除了速度，視頻長度也是流式編輯長期面臨的門檻。過去同類模型往往只能處理數秒或數分鐘的短片段，一旦超過時長就容易中斷或失真。JoyAI-Video-Edit則突破此限制，支援任意時長的穩定流式編輯，可以隨著視頻持續播放、持續進行修改。用戶無需等待整段影片生成完畢，在播放過程中就能即時更換場景、替換物體、調整人物形象，或改變整體畫面風格，真正實現「邊觀看邊創作」。

這樣的即時編輯能力為創作者開闢了全新的可能性。例如，影片創作者可以讓畫面中的人物連續更換不同服裝，直播主能將普通街道瞬間變成動畫世界，而家裝設計師則能在播放過程中嘗試不同的家具、牆面顏色與燈光效果，即時預覽設計變更。這些應用場景過去需要繁複的後製流程，如今在JoyAI-Video-Edit的輔助下，變得直觀且即時。為了驗證模型的實際表現，京東研究團隊將JoyAI-Video-Edit與SANA Streaming、LiveEdit、Xmax-X2.0等國際知名流式視頻編輯模型進行了系統性對比。測試數據涵蓋典型視頻編輯場景，結果顯示JoyAI-Video-Edit在整體效果上全面領先。

尤其在業界權威的OpenVE-Bench通用評測中，該模型超越了目前所有流式編輯方法，在全局風格轉換、局部物件替換、局部刪除以及字幕編輯等任務中表現尤為突出，大幅度領先其他同類模型。除了應用於影音創作，JoyAI-Video-Edit還為具身智能領域的數據合成提供了全新技術路徑。機器人訓練需要大量物體抓取、搬運與操作的視頻樣本，但真實機器人數據採集成本高昂，且危險或罕見場景難以反覆拍攝。

透過JoyAI-Video-Edit對場景、物體與畫面內容的可控編輯能力，研究人員可以將人類操作視頻轉化為機械手或機械臂的操作素材，並在保留物體位置、空間關係與動作軌跡的前提下，替換場景、物體與機器人形態，從而將一段視頻擴展出更多多樣化的訓練樣本，大幅降低數據獲取成本。目前JoyAI-Video-Edit已經正式開源，相關模型與程式碼可於Hugging Face與GitHub平台取得。京東表示，希望透過開源方式，讓更多研究機構與開發者參與到即時視頻編輯技術的發展中，共同推動這項技術在影音創作、直播、設計以及機器人訓練等領域的落地與創新。

隨著即時互動式編輯從概念走向實用，未來視頻內容的生產方式可望迎來根本性變革。