JoyAI-Video-Edit

产品简介

JoyAI-Video-Edit 是京东自研的实时流式视频编辑模型，于 2026 年 8 月 5 日正式宣布开源。该模型突破了传统视频编辑「先渲染后观看」的模式，支持用户在视频播放过程中实时修改人物、场景与物体，让视频创作从「先有素材再修改」的传统流程，转变为可边观看边创作的实时交互式体验，是京东「物理世界模型矩阵」的重要组成部分。模型在 720P 分辨率下实现每秒 30 帧的推理速度，支持任意时长的稳定流式编辑，在业界权威的 OpenVE-Bench 通用评测中全面超越 SANA Streaming、LiveEdit、Xmax-X2.0 等国际代表性流式视频编辑模型，达到世界一流水平。

核心功能特点

实时流式视频编辑

JoyAI-Video-Edit 的最大突破在于实现了真正边播边改的流式视频编辑能力。用户输入一段视频素材后，左侧实时播放原视频，右侧同步渲染用户指令所触发的修改效果——无论是添加帽子、更换衣服、替换场景还是调整画面风格，模型都会即时响应并自然融合到正在播放的画面中。这种交互方式彻底消除了传统 AI 视频生成中「抽卡」等待的痛点，视频创作从一次性生成变成了可以持续调整的实时过程。

极速推理速度：720P @ 30fps

视频实时编辑的首要技术瓶颈在于处理速度——如果模型推理速度跟不上播放速度，就会出现卡顿和延迟。JoyAI-Video-Edit 基于京东全自研的 JoyAI-Video 模型底座，在 720P 分辨率下实现了每秒 30 帧的推理速度，能够完美匹配常见影视视频的播放节奏，在保持较高画面清晰度的同时确保流畅无卡顿的观看和编辑体验。

无限时长支持

此前的流式编辑模型通常只能处理几秒或分钟级的短片段，难以应对长视频需求。JoyAI-Video-Edit 支持任意时长的稳定流式编辑，随着视频持续播放，模型持续处理后续帧，用户无需等待整段视频生成完成即可实时看到修改效果。这种持续流式处理能力使得实时编辑真正适用于完整的视频创作流程，而不仅仅是短片段的概念验证。

性能全面领先同类模型

研发团队将 JoyAI-Video-Edit 与 SANA Streaming、LiveEdit、Xmax-X2.0 等国际代表性流式视频编辑模型进行了系统性对比评测。在业界权威的 OpenVE-Bench 通用评测中，JoyAI-Video-Edit 评测总分达到 3.60，显著高于 SANA-Streaming 的 2.62 和 LiveEdit 的 2.00，在五个子任务中四项位列流式模型第一。尤其在全局风格迁移、局部替换、局部删除和字幕编辑等任务中优势突出，大幅领先行业同类模型。这表明 JoyAI-Video-Edit 在保持实时流式处理优势的同时，也能准确理解编辑意图并稳定完成多类常用编辑任务。

具身智能数据合成

除了视频创作，JoyAI-Video-Edit 还为具身智能数据大规模合成提供了新的技术路径。机器人训练需要大量物体抓取、搬运与操作的视频，但真机数据采集成本高，危险或少见场景更是难以反复采集。JoyAI-Video-Edit 可将人手操作视频转化为机械手或机械臂操作素材，在保留物体位置、空间关系与动作轨迹的基础上替换场景、物体与机器人形态，让一段视频扩展出更多训练样本，大幅降低具身智能的数据采集成本。

典型应用场景

虚拟换装：创作者可以让视频中的人物连续更换不同风格的服装，适合电商直播和时尚内容创作；直播背景增强：在直播中将普通街道背景实时转换为动画世界或科幻场景，大幅提升直播视觉效果；家装设计：在家装设计场景中实时尝试不同的家具摆放、墙面颜色和灯光效果，实现所见即所得的沉浸式设计体验；影视制作：为影视制作提供实时的场景和道具调整能力，加速后期特效的制作迭代。

开源与生态

JoyAI-Video-Edit 已全面开源，开发者与内容创作者可通过以下链接获取模型、体验实时视频编辑能力并探索更多应用场景：Hugging Face（https://huggingface.co/jdopensource/JoyAI-Video-Edit）和 GitHub（https://github.com/jd-opensource/JoyAI-Video-Edit）。京东表示，该模型的开源是「物理世界模型矩阵」的组成部分，旨在将 AI 能力从数字内容生成延伸至物理世界理解与操控。

产品官网：https://huggingface.co/jdopensource/JoyAI-Video-Edit