直播间里，服饰主播试完白色上衣，观众又想马上看到蓝色款是什么效果，可蓝色款不在身边怎么办？视频聊天时，和朋友畅想“穿越”到古代当侠客，怎么能让美好的想象瞬间变为精美视频呈现给大家？8月5日，京东宣布开源自研的实时流式视频编辑模型JoyAI-Video-Edit，能破解上述难题。用户可以一边观看视频，一边修改人物与场景，让视频创作从“先有素材再修改”变为可实时互动编辑。
视频处理速度快，还可生成任意时长
视频实时编辑首先要解决速度问题。视频由一帧帧连续画面组成，如果模型处理速度跟不上播放速度，就会出现卡顿与延迟。JoyAI-Video-Edit基于全自研JoyAI-Video模型，在720P分辨率下实现每秒30帧的模型推理速度，能够在保持较高画面清晰度的同时，跟上常规影视视频的播放节奏。
视频长度也是流式编辑的一道门槛。此前的流式编辑模型只能处理几秒或分钟级片段，而JoyAI-Video-Edit支持任意时长的稳定流式编辑，可以随着视频持续播放、持续处理。用户不必等待整段视频生成完成，就能在播放过程中实时修改场景、替换物体、调整人物形象或改变画面风格，实现“边观看边创作”。
例如，创作者可以让视频中的人物连续更换服装，在直播中把普通街道变成动画世界，也可以在家装设计中尝试不同的家具、墙面和灯光效果……视频创作由一次性生成变成了可以持续调整的过程。
JoyAI-Video-Edit的实时流式编辑能力，可为零售营销、家装设计、影视制作等大量真实场景带来新的技术支持：服装与商品展示视频可以快速更换人物穿搭、商品和背景；家装视频可以实时切换家具与装修风格；影视创作者也可以更快尝试人物造型、场景和视觉效果，减少重复拍摄与整段返工。
为具身智能数据大规模合成提供新技术路径
记者了解到，不止视频创作，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、搬运与操作视频，但真机数据采集成本较高，危险或少见场景也难以反复采集。依托对场景、物体与画面内容的可控编辑能力，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，并在保留物体位置、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。
据悉，当前，京东正在加速建设全球最大物理世界运营中心，并已经形成面向物理世界的JoyAI模型矩阵：JoyAI-Image-Edit让AI理解与编辑空间，JoyAI-Echo面向长音视频生成，JoyAI-VL-Interaction让AI持续观察并实时回应，JoyAI-Talker提供实时语音交互能力，JoyAI-RA面向机器人操控，形成覆盖语音、图像、视频、实时交互与具身智能的基础模型体系。JoyAI-Video-Edit进一步提升了实时视频编辑能力，并为具身智能大规模数据合成积累底层技术。
