リサーチ解説・小互解説

Wan Streamer：聞きながら見ながら話すリアルタイムAI

モデル側の応答は約200ms、総遅延は約550ms。v0.1は192p。4本の人物デモは事前収録で、別に実際のネットワーク対話の画面録画がある。
⚑
これはWan Streamer公式発表ページ（ベンダー発の公式リリース）である。本文中の遅延、能力比較、「唯一」といった位置づけの表現はすべて公式由来で、一部の比較数値には異なる測定範囲が混在しており、該当箇所には本文中で説明を付している。
1これは何か

1つのモデルでリアルタイム音声・映像対話を実現

通义万相（Wan）チームが先日、Wan Streamer v0.1というリアルタイム音声・映像対話モデルを発表した。リアルタイムで対話できるAIは今や珍しくないが、あなたの顔を見ながら、話を聞きながら、口を開いて応答し、しかも自分自身が動く顔を持っている——そんなAIはほとんど存在しない。Wan Streamerはこれを1つのモデルに凝縮した。

原資料と参考