当世界模型学会“开口说话“：从EchoWM开源，看AI生成内容的音画合流过去两年，AI视频生成的进步几乎都发生在"画面"上：分辨率从480P卷到1080P，时长从几秒卷到几十秒，物理规律和运镜质感也在肉眼可见地逼近实拍。但有一个维度长期被搁置在次要位置——声音。绝大多数视频生成模型产出的内容是"默片"，配音、音效、环境声要靠后期另外补。9月初的京东全球科技探索者大会（JDD）上，京东探索研究院开源的交互视听世界模型EchoWM，把这个问题重新推到了台前：它生成的不是"带画面的视频"，而是画面、环境音、音乐和语音原生同步的视听内容，并且允许用户像玩游戏一样走进去持续探索。