实测京东刚开源的“边播边改”AI：能换衣服、戴帽子，适配电商直播

视频创作正在被可实时编辑改写。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，让用户可以一边观看视频，一边修改人物穿搭、替换商品和场景。

京东方面回应新京报贝壳财经记者，该开源技术向开发者及内容创作者开放。不同于传统“先完成素材再进行后期修改”的视频生产逻辑，新技术实现了“边预览、边创作”的模式，能够适配直播电商、短视频带货、家装设计等电商业务场景。

记者实测：绿色T恤秒变粉色，动作略有延时

新京报贝壳财经记者实测发现，用户打开摄像头，只需在文本框内写入“仅将上衣换为白色圆领纯棉T恤，可见棉质纹理”一类的指令，模型便可在视频播放的同时，对人物外观进行即时替换，无需重新剪辑或等待成片导出。

图/记者实测截图。

在第一组实测中，记者佩戴眼镜、身穿绿色T恤自拍，输入指令“将上衣的描述改为‘粉色’”，模型便实时将画面中人物的整件绿色T恤替换为粉色。记者继续体验，点击“戴上写有‘京东’字样的红色棒球帽与深色镜片墨镜”的指令，右边视频也实时进行了饰品佩戴操作。不过实时生成画面的动作，相比原始视频存在轻微延时。

从实测效果与模型交互界面来看，JoyAI-Video-Edit可覆盖多项高频视频编辑功能：支持实时替换视频人物的衣物颜色、款式与面料；可同步调整发型、帽子、眼镜等配饰，完成人物外貌改造；能够精细调控棉质纹理、皮革反光等服装材质质感；可把写实视频转换成动画、插画、电影等不同艺术风格；也可完成实景与虚拟背景之间的场景置换，实现人物形象向其他真人或虚拟角色的转换，同时还支持参考图驱动换装，上传参考图片即可复刻对应形象到视频主体上。

适配电商直播等场景，实用门槛仍在提示词质量

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。

京东探索研究院相关负责人表示，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，跟上常见影视视频的播放节奏。

从记者的两组实测看，该模型的“实用门槛”仍在于提示词质量。同一段视频，仅改变上衣颜色的描述（白色/粉色），模型便迅速给到对应的版本；但若提示词过于笼统，如只写“换一身衣服”，模型则可能“擅自”补充未明确要求的配饰、变换发型，甚至影响画面整体风格。换言之，模型听得懂，但听得“有点多”——使用者需要更精细的提示词描述来锁定编辑范围。

记者发现，该模型在体验页给出了一组预设场景按钮：实时换装、参考图换装、风格演绎、外貌改造、质感变身、场景切换、主角变身，记者对照实测发现，这七个场景基本上覆盖了电商直播、家装设计这类对成品确定性要求高的场景。

主流厂商重在“文生视频”，京东押注“边播边改”

新京报贝壳财经记者梳理发现，自2024年OpenAI Sora引爆AI视频生成赛道以来，国内主流厂商在文生视频、图生视频领域能力快速迭代：阿里通义万相2.1于2025年2月全面开源14B与1.3B参数版本；快手可灵AI迭代至2.5Turbo版本，全球用户超4500万，2025年第三季度营收超3亿元；依托Seedance多模态模型的字节即梦AI，与抖音、剪映深度打通，第三方统计显示2025年3月其月活跃用户达893万。

相比之下，主流玩家押注的多为“先有素材再生成”，即上传图片、文字或脚本，一键生成一段新视频；而JoyAI-Video-Edit选择押注“先有视频，再边播边改”。

京东的另一层用意，在于拓展具身智能的训练数据。上述负责人透露，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。

新京报贝壳财经记者梳理发现，京东已搭建起面向物理世界的JoyAI模型矩阵：JoyAI‑Image‑Edit负责空间理解与图像编辑，JoyAI‑Echo聚焦长音视频生成，JoyAI‑VL‑Interaction可实现AI持续观察画面并实时反馈，JoyAI‑Talker承担实时语音交互能力，JoyAI‑RA面向机器人操控。此次开源的JoyAI-Video-Edit补齐实时视频编辑能力，也是该矩阵中首个支持任意时长视频流式编辑的模型。

新京报贝壳财经记者 程子姣

编辑 杨娟娟

校对 穆祥桐