京东宣布开源自研实时流式视频编辑模型 JoyAI-Video-Edit，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。京东官方表示，在流式实时视频编辑方向，该模型对比当前业内代表性模型各项指标全面领先，达到世界一流水平。
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见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”。
一、权威评测全面登顶，四类编辑任务优势突出
为评估模型能力，研究团队将 JoyAI-Video-Edit 与 SANA Streaming、LiveEdit、Xmax-X2.0 等国际代表性流式视频编辑模型进行对比。结果显示，在覆盖典型视频编辑场景的评测数据中，JoyAI-Video-Edit 整体效果全面领先。
在业界权威的 OpenVE-Bench 通用评测中，该模型超越了目前所有的流式编辑方法，在全局风格、局部替换、局部删除和字幕编辑等任务中优势尤其突出，大幅领先行业同类模型。具体应用场景上，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。
二、不止视频创作，还能为机器人”量产”训练数据
值得关注的是，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。从视频创作到机器人训练数据合成，这款模型的开源或将为多个赛道同时打开新的想象空间。
