JoyAI-Echo - 文字一键生成长达5分钟带声视频，实现人物一致、声音同步的电影级输出 一键整合包下载

无言***

JoyAI-Echo - 文字一键生成长达5分钟带声视频，实现人物一致、声音同步的电影级输出 一键整合包下载 ... ...

JoyAI-Echo 是京东开源的一个 AI 视频生成工具，专门用来生成长达几分钟的、有声音的连贯视频（多镜头故事），在长视频生成领域达到了比较前沿的水平。想象一下，你给它一段文字描述（比如“一个女孩在雨中奔跑，遇到老朋友”），它就能自动生成一段带同步对话和背景音乐的视频，而且能连续生成多个镜头，像拍一部短电影一样，人物长相、声音风格前后保持一致，不会突然“变脸”或声音变掉。
JoyAI-Echo 的核心优势就是“长 + 连贯 + 带声音 + 快”，让 AI 生成的视频更像真正的电影片段，而不是零散的短 clip。适合对视频质量和一致性有较高要求的用户。


主要特点

能生成长视频：支持生成5分钟左右的多镜头连贯故事（以前很多 AI 容易在长视频里出错或不连贯）。
视频+音频一起生成：不仅出画面，还同步生成人物说话声音、音效和背景音乐。
记忆功能强：有个“跨模态记忆库”（像人物档案），能记住前面镜头里人物的样子和声音，让后续镜头保持一致性。
生成速度快：用了特殊优化技术，比传统方法快 7.5 倍 左右，效率很高。
效果好：在视觉美感、音频质量、指令遵循和人物一致性上，表现优于一些同类模型。
支持 ComfyUI：有图形界面插件，用起来更方便，还能边看边改提示词。
目前主要是文字生成视频（Text-to-Video），图像转视频功能还在开发中。




应用领域

短视频/影视创作：快速生成故事视频、广告、剧情短片。
内容创作：博主、导演、游戏开发者用来做样片、预览或完整片段。
交互式视频：未来结合对话代理，能边聊天边实时修改视频（类似“把这里改成晚上”就立刻调整）。
教育、娱乐、营销：做讲解视频、动画故事、产品演示等，效率远超传统拍摄。





使用教程：（建议N卡，显存8G起，支持50系显卡）

整合包包含所需所有节点，下载主程序和模型（ComfyUI文件夹），解压主程序一键包，将ComfyUI文件夹移动到主程序目录下即可。

双击启动，进入WebUI后，点击左侧的 工作流，选择对应的工作流。
输入提示词，设置相关参数，比如宽度、高度和时长（帧数），生成即可。


关于提示词，可按照以下模板填写，工作流中也有固定的模板做参考，你也可以借助大模型，比如DeepSeek等工具撰写提示词：




当前模型对硬件要求高，建议8G显存+32G运存


软件目录结构

📂 ComfyUI/
├── 📂 models/
│   ├── 📂 audio_encoders/
│   │      └── joyai_echo_vocoder.safetensors
│   ├── 📂 text_encoders/
│   │      └── gemma3-12b-joyecho-Q5_1.gguf
│   │      └── joyai_echo_embeddings_processor.safetensors
│   ├── 📂 unet/
│   │      └── JoyAI-Echo-DiT-Q4_K_M.gguf
│   ├── 📂 vae/
│   │      └── joyai_echo_audio_vae.safetensors
│   │      └── joyai_echo_video_vae.safetensors
📂 deepface/
......




下载地址：
https://pan.quark.cn/s/6ab2ff1a2328

cd3***

用一键包默认的提示词测试了，4070 super 12G+ 64G 环境生成的视频质量堪忧啊，镜头运动是正确的，人物动作错误不说，关键还丑。有没有改进建议呐？

leelo***

5060Ti 16G显卡跑得动吗？估计也是慢得要死啊！

无言***

leelong119 发表于 2026-7-21 16:41
5060Ti 16G显卡跑得动吗？估计也是慢得要死啊！

能跑，有点慢是正常的