研究解读 · 进化解读
Wan Streamer：边听边看边说话的实时 AI
模型侧响应约 200ms、总延迟约 550ms；v0.1 仅 192p，演示为预录非实时体验。
速览
- Wan Streamer v0.1 是一个原生流式、端到端的交互式基础模型，在同一个 Transformer 里同时把语言、音频、视频当作输入和输出来建模，靠 block-causal attention（块状因果注意力）协调，边来边算地流式生成。
- 模型自己算一段回应大约 200ms，加上 350ms 的双向网络延迟，总交互延迟约 550ms；25fps 下，最短的流式处理单元只有 160ms。
- 官方称它是唯一能用单个端到端 Transformer 输出同步音视频、且总延迟压在 1 秒内的模型；现有系统要么只出语音（GPT-4o Realtime、豆包、Gemini Live），要么靠 ASR＋LLM＋TTS＋动画 一串模块拼接。
- 当前 v0.1 分辨率只有 192p，定位是端到端设计的概念验证；放出来的角色演示都是未经剪辑的预录模型输出，不是在线实时体验。
- 对比图里的延迟数字混了不同测量口径：上方一组是端到端交互闭环，下方一组只算渲染阶段（不含外部 LLM／ASR／TTS），官方提示要按注释打折看。
⚑
这是 Wan Streamer 官方发布页（厂商通稿）。文中的延迟、能力对比、「唯一」等定位措辞都出自官方，部分对比数字混合了不同测量边界，相关处已随文说明。
1这是什么
一个模型跑通实时音视频对话
通义万相（Wan）团队最近发布了 Wan Streamer v0.1，一个实时音视频交互模型。能实时对话的 AI 现在不少，但能一边看你的脸、一边听你说话、一边开口回应、自己还自带一张会动的脸的，几乎没有。Wan Streamer 把这件事压进了一个模型里。
它在同一个 Transformer 里同时处理语言、音频、视频的输入和输出，做到亚秒级的全双工音视频对话：模型自己算出一段回应大约只要 200 毫秒，加上网络往返后总延迟约 550 毫秒。
⚡
为什么值得看：现在能实时对话的系统分两类，一类响应快但只出声音、没有可见的脸（GPT-4o Realtime、豆包、Gemini Live），另一类有脸但靠外部 ASR、语言模型、TTS、动画一串模块拼出来。官方称 Wan Streamer 是唯一用单个端到端 Transformer 同时吐出同步音视频、且总延迟压在 1 秒内的模型。
~200 ms
模型侧响应延迟（官方报告）
~550 ms
总交互延迟＝200ms 模型侧＋350ms 网络
160 ms
25fps 下最短的流式处理单元
192p
v0.1 分辨率，端到端设计的概念验证
总延迟 550ms 拆开看
模型本身只占 200ms，剩下 350ms 是网络往返。也就是说，纯模型的反应速度比读出来的总延迟更快。
2先看效果
四段角色演示 ＋ 实时录屏
下面四段演示都出自同一个模型，只是换了人物、声音和场景。先看效果，再讲原理。
看之前先说清楚：这些都是未经剪辑的预录模型输出，不是在线实时体验；当前 v0.1 分辨率只有 192p，用来验证端到端设计是否跑得通。官方称后续扩到更高分辨率较容易，但那是计划，不是 v0.1 已实现的。
中文 · 暖色室内视频通话。聊刮胡子、在家办公、想看一部特效不错的新动作片。清晰自然男声。来源：Wan Streamer 官方 demo
中文 · 明亮白色室内。聊 CP、娱乐圈八卦、周星驰《功夫》，最后模仿经典笑容。轻松愉快女声。来源：Wan Streamer 官方 demo
英文 · 车内近景。女生说自己很累，感谢对方耐心陪伴。疲惫真诚女声。来源：Wan Streamer 官方 demo
英文 · 浅色室内近景。聊无意识刷手机、自动化习惯、关掉通知。自然女声。来源：Wan Streamer 官方 demo