उत्तरप्रकाशित17 स्रोत
JD का JoyAI-EchoWM ओपन-सोर्स: चलिए, दृश्य और आवाज़ साथ-साथ बदलें
JD ने JDD 2026 में JoyAI EchoWM और उसके चार स्टेप कॉज़ल स्ट्रीमिंग संस्करण EchoWM Flash को ओपन सोर्स करने की घोषणा की। यूनिफाइड कैमरा इंटेंट इंटरफेस कीबोर्ड या कंट्रोलर इनपुट को निरंतर 6 DoF कैमरा ट्रैजेक्टरी में बदलता है, जिससे फर्स्ट पर्सन और थर्ड पर्सन व्यू संभव होते हैं। यह रिलीज़ JD की फिजिकल AI रणनीति का हिस्स...
प्रकाशितकर्ताGPT-5.6 Terra से संपादितGPT Image 2 से चित्र बनाए गए
शोध उत्तर
मुख्य निष्कर्ष
- JD ने JDD 2026 में JoyAI EchoWM और उसके चार स्टेप कॉज़ल स्ट्रीमिंग संस्करण EchoWM Flash को ओपन सोर्स करने की घोषणा की।
- यूनिफाइड कैमरा इंटेंट इंटरफेस कीबोर्ड या कंट्रोलर इनपुट को निरंतर 6 DoF कैमरा ट्रैजेक्टरी में बदलता है, जिससे फर्स्ट पर्सन और थर्ड पर्सन व्यू संभव होते हैं।
- यह रिलीज़ JD की फिजिकल AI रणनीति का हिस्सा है, जिसमें 100,000 GPU घरेलू क्लस्टर और वास्तविक गतिविधियों के 1 करोड़ घंटे से अधिक वीडियो डेटा जुटाने की योजना शामिल है।
AI संकेत
openai.comCreate a landscape editorial hero image for this Studio Global article: What did JD.com announce at the September 10, 2026 JDDiscovery (JDD) conference about open-sourcing JoyAI-EchoWM—its interactive audiovisual. Article summary: JD announced that it is open-sourcing JoyAI‑EchoWM, an “enterable” interactive audiovisual world model, and EchoWM‑Flash, a faster four-step causal-streaming version. The release is best understood as part of JD’s physic. Topic tags: general, academic, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, char
AI से बनी वीडियो क्लिप को आम तौर पर सिर्फ देखा जाता है। JD का नया JoyAI-EchoWM उस विचार को आगे ले जाना चाहता है: उपयोगकर्ता किसी जनरेटेड दृश्य में दिशा बदल सके, आगे बढ़ सके और कैमरा घुमा सके—और उसके साथ दृश्य ही नहीं, आवाज़ भी स्वाभाविक ढंग से बदलती रहे।
JD ने JDD 2026 में इस इंटरैक्टिव ऑडियोविज़ुअल वर्ल्ड मॉडल को ओपन-सोर्स किया। साथ में EchoWM-Flash भी जारी किया गया, जो चार-स्टेप कॉज़ल-स्ट्रीमिंग संस्करण है और कम सैंपलिंग स्टेप्स में अधिक प्रतिक्रियाशील जनरेशन के लिए बनाया गया है। 1
6
EchoWM क्या बनाता है?
EchoWM एक साथ 720p वीडियो, परिवेशी आवाज़, संगीत और संवाद जनरेट करने के लिए डिज़ाइन किया गया है। विचार यह है कि उपयोगकर्ता AI-निर्मित दुनिया में घूमे तो वह केवल अलग से जोड़ा गया साउंडट्रैक न सुने; दृश्य, कैमरा और घटनाओं के साथ ऑडियो भी विकसित हो। 1
2
मसलन, मॉडल के लक्षित व्यवहार में चलते समय कदमों की आहट, टक्कर पर प्रभाव की आवाज़, पात्रों के संवाद या दृश्य के अनुरूप संगीत पैदा होना शामिल है। कैमरे की चाल दृश्य जनरेशन को निर्देशित करती है और दृश्य की घटनाएं संबंधित ध्वनि को प्रभावित करती हैं। 1
11
कीबोर्ड से 6-DoF कैमरा नियंत्रण तक
इस सिस्टम की मुख्य तकनीकी परत यूनिफाइड कैमरा-इंटेंट प्रतिनिधित्व है। यह कीबोर्ड या गेम कंट्रोलर के कमांड को निरंतर सिक्स डिग्रीज़ ऑफ फ्रीडम (6-DoF) कैमरा ट्रैजेक्टरी में बदलता है। आसान भाषा में, कैमरा केवल बाएं-दाएं नहीं घूमता, बल्कि स्थान और दिशा—दोनों में लगातार चल सकता है।
इसी इंटरफेस से फर्स्ट-पर्सन नेविगेशन, थर्ड-पर्सन कैमरा और किसी विषय का पीछा करने जैसे फॉलो-शॉट व्यू समर्थित हैं। 1
11
EchoWM-Flash कितना तेज़ है?
EchoWM-Flash चार-स्टेप कॉज़ल-स्ट्रीमिंग मॉडल है। इसका लक्ष्य कम सैंपलिंग स्टेप्स के साथ इंटरैक्टिव जनरेशन को तेज़ और उत्तरदायी रखना है। शोध-पत्र में 158 मामलों वाले WBench Navigation मूल्यांकन पर EchoWM का औसत स्कोर 81.7 और EchoWM-Flash का 81.0 बताया गया है। EchoWM के इंटरैक्शन और कंसिस्टेंसी स्कोर क्रमशः 87.2 और 89.8 रहे, जबकि Flash का इंटरैक्शन स्कोर 87.9 था। 1
इन अंकों को शोधकर्ताओं और डेवलपर्स द्वारा रिपोर्ट किए गए बेंचमार्क नतीजों के रूप में देखना चाहिए, न कि हर रियल-टाइम प्रोडक्शन उपयोग के लिए स्वतंत्र पुष्टि के रूप में। अलग WBench रिपॉजिटरी में JoyAI-Echo-1.5 (WM) का स्कोर 81.6 और उसके चार-स्टेप Flash संस्करण का 81.0 दर्ज है; इसी वजह से अलग कवरेज में 81.6 और 81.7 का मामूली अंतर दिखता है। 15
इंटरैक्टिव दुनिया की सीमा: लंबी यात्रा में ड्रिफ्ट
EchoWM बहु-चरणीय एक्सप्लोरेशन के लिए हाल के ऑडियोविज़ुअल संदर्भ की एक छोटी विंडो का इस्तेमाल करता है। इससे मॉडल पिछली चालों को ध्यान में रखकर दृश्य आगे बढ़ा सकता है। लेकिन यह दुनिया का कोई स्थायी और स्पष्ट 3D नक्शा या मेमोरी नहीं रखता।
यही अंतर लंबी नेविगेशन में अहम है। लगातार लंबे समय तक घूमने पर स्थानिक संबंध या विज़ुअल विवरण धीरे-धीरे भटक सकते हैं—इसे ड्रिफ्ट कहा जाता है। JD के नतीजे बेंचमार्क पर इंटरैक्शन और कंसिस्टेंसी की मजबूती दिखाते हैं, लेकिन लंबी अवधि की विश्व-संगति अभी भी खुली चुनौती है। 1
11
ट्रेनिंग डेटा और सार्वजनिक उपलब्धता
संबंधित शोध में एक वर्ल्ड-डेटा इंजन और चरणबद्ध ट्रेनिंग पाइपलाइन का वर्णन है। इसमें गेमप्ले लॉग, इंसानों के खेलते हुए फुटेज, Unreal Engine पर आधारित पोज़-ग्राउंडेड सिमुलेशन और इंटरनेट वीडियो का उपयोग किया गया। उद्देश्य नियंत्रित कैमरा मोशन, दृश्य की गतिशीलता और समकालिक ऑडियो को एक मॉडल में जोड़ना है। 1
पेपर में सार्वजनिक कोड रिपॉजिटरी jd-opensource/JoyAI-Echo का लिंक दिया गया है। इसलिए यह रिलीज़ इंटरैक्टिव वर्ल्ड-मॉडल सिस्टम पर प्रयोग करने वाले शोधकर्ताओं और डेवलपर्स के लिए उपयोगी हो सकती है। 1
JD की बड़ी फिजिकल-AI योजना में इसकी जगह
EchoWM को JD की व्यापक फिजिकल AI रणनीति के एक हिस्से के रूप में पेश किया गया है, जो डेटा, कंप्यूटिंग, मॉडल और लॉजिस्टिक्स संचालन को जोड़ती है। JD Cloud ने बड़े मॉडल प्रशिक्षण, इन्फरेंस और एम्बॉडीड-AI वर्कलोड के लिए घरेलू रूप से विकसित 100,000-GPU क्लस्टर बनाने की योजना बताई है। कंपनी वास्तविक दुनिया में मानव गतिविधियों के 1 करोड़ घंटे से अधिक वीडियो एकत्र करने का भी लक्ष्य रखती है। 18
22
लॉजिस्टिक्स पक्ष पर JD Logistics का Meta Brain 3.0 वेयरहाउसिंग, परिवहन और डिलीवरी में निर्णयों के समन्वय के लिए बनाया गया है। JD के अनुसार, यह करोड़ों पार्सलों के लिए इष्टतम रूट की गणना का समय मिनटों से घटाकर सेकंडों तक ला सकता है। 18
22
इस संदर्भ में EchoWM को किसी फंडिंग घोषणा के बजाय इंटरैक्टिव और फिजिकल-AI विकास के लिए ओपन-मॉडल तथा रिसर्च-इन्फ्रास्ट्रक्चर पहल के रूप में देखना अधिक सटीक है। इसकी खास पेशकश कैमरा-नियंत्रित नेविगेशन और संयुक्त वीडियो-ऑडियो जनरेशन है—साथ ही यह स्वीकार करना भी जरूरी है कि लंबे समय तक एक जैसी विश्व-संगति बनाए रखना अभी हल नहीं हुई समस्या है। 1
11
Studio Global AI
अपना शोध जारी रखें
इस पृष्ठ में एक स्रोत-समर्थित उत्तर शामिल है जिसे आप Studio Global के अंदर जारी रख सकते हैं।
लोग पूछते भी हैं
"JD का JoyAI-EchoWM ओपन-सोर्स: चलिए, दृश्य और आवाज़ साथ-साथ बदलें" का संक्षिप्त उत्तर क्या है?
JD ने JDD 2026 में JoyAI EchoWM और उसके चार स्टेप कॉज़ल स्ट्रीमिंग संस्करण EchoWM Flash को ओपन सोर्स करने की घोषणा की।
सबसे पहले सत्यापित करने योग्य मुख्य बिंदु क्या हैं?
JD ने JDD 2026 में JoyAI EchoWM और उसके चार स्टेप कॉज़ल स्ट्रीमिंग संस्करण EchoWM Flash को ओपन सोर्स करने की घोषणा की। यूनिफाइड कैमरा इंटेंट इंटरफेस कीबोर्ड या कंट्रोलर इनपुट को निरंतर 6 DoF कैमरा ट्रैजेक्टरी में बदलता है, जिससे फर्स्ट पर्सन और थर्ड पर्सन व्यू संभव होते हैं।
मुझे अभ्यास में आगे क्या करना चाहिए?
यह रिलीज़ JD की फिजिकल AI रणनीति का हिस्सा है, जिसमें 100,000 GPU घरेलू क्लस्टर और वास्तविक गतिविधियों के 1 करोड़ घंटे से अधिक वीडियो डेटा जुटाने की योजना शामिल है।