JoyAI-Video-Edit 运营中

JoyAI-Video-Edit是京东开源自研的实时流式视频编辑模型，基于16B参数自回归扩散架构，在720P分辨率下实现30FPS推理速度，支持任意时长稳定流式编辑。用户可通过自然语言指令在视频播放过程中实时修改人物、场景、风格及物体，无需等待完整视频生成。模型在OpenVE-Bench评测中超越所有流式编辑方法，各项指标全面领先，同时可为具身智能提供大规模数据合成路径。

实时流式编辑：视频帧到达时即时编辑，无需预先知道完整序列。
开放式指令控制：支持全局风格迁移、局部对象增删改、背景替换、动作调整及参考图引导编辑。
任意时长处理：突破秒级或分钟级限制，可持续随视频播放进行稳定编辑。
720P高吞吐部署：端到端pipeline在720×1280分辨率下达30.19 FPS。
多维度编辑能力：覆盖人物换装、场景变换、风格转换、物体替换与字幕编辑等任务。

微信关注回复“开源”，加入AI开源项目交流群
MLLM条件编码器：用多模态大语言模型将自然语言指令编码为编辑条件，实现开放式语义控制。
因果视频VAE：采用因果时序结构的变分自编码器对视频帧进行压缩与重建，保证流式场景下的时序一致性。
16B参数MMDiT骨干：用16B多模态扩散Transformer为核心，融合文本与视觉特征进行自回归扩散生成。
自回归分布匹配蒸馏：通过对齐自回归分布的蒸馏策略加速推理，显著降低训练与推理的分布差异。
长时域优化与有界KV推理：引入长时域稳定性优化及有界KV缓存机制，抑制累积时序漂移并维持高吞吐量。

环境准备：创建Conda环境python=3.10并安装requirements.txt依赖。
下载权重：从Hugging Face获取模型文件，按指定目录结构放置检查点。
启动服务：进入deploy目录执行bash run_server.sh启动本地服务器。
访问界面：浏览器打开http://localhost:8080进入交互式编辑界面。
实时编辑：上传视频或接入摄像头流，输入自然语言指令即可边播边改。

实时流式编辑：视频帧到达即处理，无需等待完整序列，实现真正的”边播边改”交互体验。
速度与质量双优：720P分辨率下端到端推理达30.19 FPS，在OpenVE-Bench评测中超越所有流式与离线编辑方法。
任意时长稳定输出：突破传统模型仅支持秒级或分钟级片段的限制，可持续随视频播放进行无漂移稳定编辑。
开放式语义控制：基于MLLM条件编码器，支持自然语言指令驱动的全局风格、局部对象、背景替换及参考图引导等多维度编辑。
高效推理架构：16B参数自回归扩散Transformer配合分布匹配蒸馏与有界KV缓存，显著降低训练推理差异并抑制时序累积误差。

GitHub仓库：https://github.com/jd-opensource/JoyAI-Video-Edit
HuggingFace模型库：https://huggingface.co/jdopensource/JoyAI-Video-Edit
arXiv技术论文：https://arxiv.org/pdf/2608.03974

短视频创作：创作者可在视频播放过程中实时替换人物服装、调整场景风格，提升内容生产效率。
直播实时特效：主播边播边改背景或添加虚拟元素，实现互动式直播视觉增强。
家装与室内设计：用户在浏览房间视频时实时更换家具、墙面材质与灯光效果，辅助装修决策。
影视后期预演：导演在剪辑阶段快速尝试不同视觉风格与场景替换，降低试错成本。
具身智能数据合成：将人手操作视频转化为机械臂操作素材，低成本扩展机器人训练数据规模。