阿里通义实验室发布 Wan-Streamer v0.2 模型，AI 视频电话响应延迟仅 550ms

阿里通义实验室发布 Wan-Streamer v0.2 模型，让 AI 像真人一样边听、边看、边回应。从官方介绍获悉，它是面向实时双工交互的端到端全模态理解与生成模型，把“听、看、说、演”统一进单个 Transformer 中。 极致低延迟： 端到端响应延迟 550ms （200ms 模型延迟 + 350ms 网络延迟），画质增强：输出分辨率从 v0.1 的 192×336 提升至 640×368 @ 25FPS，微表情场景细节清晰可见；全模态端到端：原生支持文本、音频、视频的实时理解与同步生成，无需外部模块拼装。该团队对比了市面上主流的实时交互系统。在响应延迟上，Wan-Streamer 的端到端交互延迟在 0.55s 左右（含网络传输），显著快于常见的实时语音对话模型。