「動画を作る」から「中に入って動く」へ

JDはJDDiscovery（JDD）2026で、対話型の視聴覚世界モデルJoyAI-EchoWMと、より軽量な4ステップ因果ストリーミング版EchoWM-Flashをオープンソースとして公開した。16

狙いは、再生して終わる固定動画の生成ではない。利用者が生成された場面内で進行方向や視点を変えると、映像だけでなく音も連動して変化する、「入って探索できる」AI生成空間を実現することだ。

操作に合わせて映像と音を同時生成

EchoWMは、720p映像に加え、環境音、音楽、音声を同期して生成する。映像の後に別途BGMや効果音を載せる方式ではなく、利用者がシーン内を移動したりカメラを振ったりする過程で、映像と音声を一体的に更新する設計とされる。12

中核にあるのが、統一された「カメラ意図」表現だ。キーボードやコントローラーからの指示を、連続する**6自由度（6DoF）**のカメラ軌跡へ変換する。これにより、一人称視点での移動に加え、三人称視点や被写体を追うフォローショットにも対応する。111

カメラの経路が映像生成の条件となり、場面内の出来事に応じて足音、衝突音、会話、音楽などを対応付けることが意図されている。ポイントは、カメラ制御と視聴覚生成を別々の処理として後から結合するのではなく、同一の生成体験として扱おうとしている点にある。111

EchoWM-Flashは応答性を重視した4ステップ版

EchoWM-Flashは、サンプリングのステップ数を4回に抑えた因果ストリーミング版で、対話的な生成時の応答性を高めることを目的としている。

論文で示された158件のWBench Navigation評価では、EchoWMの平均スコアは81.7、EchoWM-Flashは81.0だった。EchoWMのインタラクション指標は87.2、一貫性指標は89.8。Flash版はインタラクション指標87.9を記録した。1

ただし、これらは開発元および論文が報告したベンチマーク結果であり、あらゆるリアルタイムの商用制作・運用に適していることを独立に立証するものではない。WBenchのリポジトリでは、JoyAI-Echo-1.5（WM）は81.6、4ステップのFlash版は81.0と掲載されており、81.6と81.7という小さな数値差は掲載時点・評価表の違いによるものとみられる。15

長時間の探索では「世界の記憶」が課題に

EchoWMは、直近の短い視聴覚コンテキストを参照しながら生成を続けることで、複数ターンにわたる探索を可能にしている。

一方で、これは明示的かつ永続的な3D世界表現を保持する仕組みとは異なる。長時間にわたって移動・探索を続ければ、空間関係や見た目にずれが積み重なる可能性がある。報告された評価ではインタラクション性と一貫性に強みを示したが、コンテキストに基づく連続性には、長時間ナビゲーションでのドリフトという実用上の制約が残る。111

学習データと公開範囲

付随する研究では、ゲームプレイログ、人間のプレイ映像、Unreal Engineによる姿勢情報付きシミュレーション、インターネット動画を使う「ワールドデータエンジン」と段階的な学習パイプラインが説明されている。制御可能なカメラ移動、視覚的な変化、同期音声を一つのモデルで結び付けることが目的だ。1

論文からは公開コードリポジトリjd-opensource/JoyAI-Echoへアクセスできる。対話型世界モデルや物理AIの開発を試す研究者・開発者にとって、今回の公開は検証基盤の選択肢となる。1

JDの「物理AI」構想の中での位置付け

EchoWMは単独の生成AI製品発表というより、データ、計算資源、モデル、物流オペレーションをまたぐJDの物理AI戦略の一部として披露された。

JD Cloudは、大規模モデルの学習・推論とエンボディドAIの処理に向け、国内開発の10万GPU規模クラスターを構築する計画を示している。また、実世界での人間の活動を収めた動画を1,000万時間超収集する方針も掲げる。1822

物流分野では、JD LogisticsのMeta Brain 3.0が倉庫、輸送、配送にまたがる意思決定を調整する。JDによると、数億個の荷物に対する最適経路の計算時間を、従来の分単位から秒単位へ短縮するという。1822

つまりEchoWMの公開は、資金調達を目的とする発表ではなく、対話型・物理AIの研究開発に向けたオープンモデルと基盤整備の動きとして捉えるのが適切だ。技術的な提案は明快である。操作可能なカメラ移動と、映像・音の同時生成を結び付けること。そして、長時間にわたり整合した世界を保つことは、なお未解決の課題である。111

「動画を作る」から「中に入って動く」へ

JDはJDDiscovery（JDD）2026で、対話型の視聴覚世界モデルJoyAI-EchoWMと、より軽量な4ステップ因果ストリーミング版EchoWM-Flashをオープンソースとして公開した。16

狙いは、再生して終わる固定動画の生成ではない。利用者が生成された場面内で進行方向や視点を変えると、映像だけでなく音も連動して変化する、「入って探索できる」AI生成空間を実現することだ。

操作に合わせて映像と音を同時生成

EchoWMは、720p映像に加え、環境音、音楽、音声を同期して生成する。映像の後に別途BGMや効果音を載せる方式ではなく、利用者がシーン内を移動したりカメラを振ったりする過程で、映像と音声を一体的に更新する設計とされる。12

中核にあるのが、統一された「カメラ意図」表現だ。キーボードやコントローラーからの指示を、連続する**6自由度（6DoF）**のカメラ軌跡へ変換する。これにより、一人称視点での移動に加え、三人称視点や被写体を追うフォローショットにも対応する。111

カメラの経路が映像生成の条件となり、場面内の出来事に応じて足音、衝突音、会話、音楽などを対応付けることが意図されている。ポイントは、カメラ制御と視聴覚生成を別々の処理として後から結合するのではなく、同一の生成体験として扱おうとしている点にある。111

EchoWM-Flashは応答性を重視した4ステップ版

EchoWM-Flashは、サンプリングのステップ数を4回に抑えた因果ストリーミング版で、対話的な生成時の応答性を高めることを目的としている。

論文で示された158件のWBench Navigation評価では、EchoWMの平均スコアは81.7、EchoWM-Flashは81.0だった。EchoWMのインタラクション指標は87.2、一貫性指標は89.8。Flash版はインタラクション指標87.9を記録した。1

ただし、これらは開発元および論文が報告したベンチマーク結果であり、あらゆるリアルタイムの商用制作・運用に適していることを独立に立証するものではない。WBenchのリポジトリでは、JoyAI-Echo-1.5（WM）は81.6、4ステップのFlash版は81.0と掲載されており、81.6と81.7という小さな数値差は掲載時点・評価表の違いによるものとみられる。15

長時間の探索では「世界の記憶」が課題に

EchoWMは、直近の短い視聴覚コンテキストを参照しながら生成を続けることで、複数ターンにわたる探索を可能にしている。

一方で、これは明示的かつ永続的な3D世界表現を保持する仕組みとは異なる。長時間にわたって移動・探索を続ければ、空間関係や見た目にずれが積み重なる可能性がある。報告された評価ではインタラクション性と一貫性に強みを示したが、コンテキストに基づく連続性には、長時間ナビゲーションでのドリフトという実用上の制約が残る。111

学習データと公開範囲

付随する研究では、ゲームプレイログ、人間のプレイ映像、Unreal Engineによる姿勢情報付きシミュレーション、インターネット動画を使う「ワールドデータエンジン」と段階的な学習パイプラインが説明されている。制御可能なカメラ移動、視覚的な変化、同期音声を一つのモデルで結び付けることが目的だ。1

論文からは公開コードリポジトリjd-opensource/JoyAI-Echoへアクセスできる。対話型世界モデルや物理AIの開発を試す研究者・開発者にとって、今回の公開は検証基盤の選択肢となる。1

JDの「物理AI」構想の中での位置付け

EchoWMは単独の生成AI製品発表というより、データ、計算資源、モデル、物流オペレーションをまたぐJDの物理AI戦略の一部として披露された。

JD Cloudは、大規模モデルの学習・推論とエンボディドAIの処理に向け、国内開発の10万GPU規模クラスターを構築する計画を示している。また、実世界での人間の活動を収めた動画を1,000万時間超収集する方針も掲げる。1822

物流分野では、JD LogisticsのMeta Brain 3.0が倉庫、輸送、配送にまたがる意思決定を調整する。JDによると、数億個の荷物に対する最適経路の計算時間を、従来の分単位から秒単位へ短縮するという。1822

つまりEchoWMの公開は、資金調達を目的とする発表ではなく、対話型・物理AIの研究開発に向けたオープンモデルと基盤整備の動きとして捉えるのが適切だ。技術的な提案は明快である。操作可能なカメラ移動と、映像・音の同時生成を結び付けること。そして、長時間にわたり整合した世界を保つことは、なお未解決の課題である。111