京东 JDD 发布 JoyAI-Echo 1.5 并开源 EchoWM：可进入、可操作、可听见的全模态世界模型

背景

2026 年 9 月 9 日京东全球科技探索者大会（JDD），京东探索研究院发布 JoyAI-Echo 系列两项进展：超长音视频生成模型升级至 JoyAI-Echo 1.5，同时发布并开源可交互视听世界模型 EchoWM。Echo 1.5 基于音视频 Memory Bank 架构，在多镜头、长时程生成中保持人物、声音与故事线索连贯，支持 10 分钟以上音视频持续生成，通过长视频后训练实现最高 7.5× 推理加速，仅需 2 张 H200 即可在 480P 下平均每秒 24 帧、约 1:1 等时生成；Director Agent 完成故事展开、分镜规划、生成审核与成片组装。EchoWM 将原生视听生成与用户控制结合：同框架生成 720P 视频、环境音、音乐、语音，声音随场景、摄像机与主体运动同步变化；通过统一相机意图（6-DoF）支持第一人称导航、第三人称协同控制与多轮连续探索。WBench Navigation 综合第一（81.6/81.7），SANA-WM-Bench VBench 83.91/83.96。同场预览 JoyAI-Video（10 月发布）。

核心要点

• 9-9 JDD 京东发布 JoyAI-Echo 1.5 + 开源 EchoWM
• Echo 1.5：10 分钟+ 音视频，2×H200 近实时
• EchoWM：720P 视频 + 环境音/音乐/语音同生
• 第一/第三人称 + 多轮探索，统一相机意图 6-DoF
• WBench Navigation 综合第一（81.6）
• SANA-WM-Bench VBench 83.91/83.96

为什么重要

世界模型从能看走向能进入、能操作、能听见，把生成内容与用户实时交互结合；开源 EchoWM 吸引开发者，电商广告、短剧创作与具身智能训练是明确落点，也显示电商巨头把可进入视听世界与供应链/广告绑定。

关键事实速记

• 发布：2026-09-09
• 大会：JDD
• Echo 1.5：10 分钟+
• EchoWM：720P + 立体声
• WBench：81.6 第一
• JoyAI-Video：10 月