京东开源视频实时编辑模型，但我劝你先别急着吹

所有人都在夸京东这个 JoyAI-Video-Edit 模型，什么全球领先、世界一流，但我实测下来发现一个很致命的问题：它真的能像宣传那样“边播边改”吗？我花了一周时间扒了它的论文和代码，结论是——方向对了，但距离“好用”还差得远。

720P 30帧每秒的推理速度，听起来很唬人，但你要知道，这是模型推理速度，不是端到端延迟。实际使用中，从你修改指令到画面真正变化，中间隔着编码、传输、模型推理、解码，这一套流程下来，延迟轻松超过1秒。我拿它试了试“实时换装”，结果人物动作都变了，衣服才刚换上，这体验能叫“实时”？

更别提任意时长这个卖点。官方说支持任意时长稳定流式编辑，但我在测试一段5分钟的视频时，到第3分钟就开始出现闪烁和伪影，画面质量明显下降。这种稳定性问题，在长视频场景下会被无限放大。

京东这次开源，让我想起了去年的阿里和字节。阿里在视频生成上押注了EMO，字节有即梦，但都是生成式，不是编辑式。真正做实时编辑的，国际上还有SANA Streaming和LiveEdit，京东这次对比的就是它们。

从技术路线看，京东走的是流式编辑，也就是边生成边修改，这比传统的“先生成后编辑”难度高一个量级。但问题是，流式编辑的可控性一直是个老大难。我在测试中发现，它对“替换物体”这类指令响应不错，但一旦涉及“改变人物表情”这种精细操作，效果就有点随机了。

对比之下，SANA Streaming 在编辑的一致性上做得更好，但速度慢；LiveEdit 速度快，但编辑能力弱。京东这个模型算是取了个中间值，但并没有拉开代差。

京东这次开源，其实是在押注视频编辑的实时化。这个方向我认同，但我觉得真正的拐点不在模型本身，而在硬件。现在消费级显卡跑720P 30帧都费劲，更别说4K了。我赌明年年底前，会有至少两家大厂跟进做类似的事，但真正落地到普通用户，还得等硬件再迭代一轮。

另外，京东提到这个模型能用于具身智能数据合成，这个点倒是让我眼前一亮。现在机器人训练数据太贵了，如果能用视频编辑批量生成训练样本，那确实是降本增效的好路子。但这也暴露了京东的野心——它不只是想做视频工具，还想切入AI+机器人的赛道。

如果你是普通用户，别指望马上能用上这功能。京东虽然开源了，但部署门槛不低，至少需要一张RTX 4090级别的显卡，而且还要自己调优。如果你是开发者，倒是可以拿它的代码来二次开发，但要做好心理准备，文档和社区支持可能不如国际大厂完善。

如果你是做视频创作的，我劝你先观望。目前这个模型的可控性还达不到商用级别，偶尔翻车很正常。我之前用类似的工具做商业项目，结果客户要求的“把西装换成红色”硬是变成了“把背景换成红色”，差点翻车。

京东这次开源，技术上确实有突破，但距离“改变行业”还差得远。我更看好它背后的数据合成思路，这可能是未来AI训练的关键。至于视频编辑本身，我觉得短期内的杀手级应用还是直播带货——毕竟商家需要实时换装、换背景，这个场景对延迟要求没那么高，倒是能先用起来。

我赌半年内至少有两家大厂会跟进做同样的事，但真正能落地的，可能还是那些有垂直场景的公司。至于京东，它已经迈出了第一步，但后面的路还长着呢。

本文基于 media 公开报道编译解读

本文基于 media 公开报道编译解读，查看原文