阿里通义发布Wan-Streamer v0.2，AI视频通话响应延迟仅550ms

阿里通义实验室发布Wan-Streamer v0.2,这是一款让AI像真人一样边听、边看、边回应的端到端全模态模型,端到端响应延迟压缩到550毫秒左右,是全模态实时视频交互领域少见的工程级突破。

• 延迟拆解为200毫秒模型延迟加350毫秒网络延迟,明显快于常见的实时语音对话模型
• 输出分辨率从v0.1的192×336提升到640×368@25FPS,画面从单一“悬浮头部”特写扩展到视线方向、身体姿态、手势乃至周边环境
• 核心设计是每160毫秒完成一次“感知—理解—生成—解码”闭环的“流式单元”,不需要等用户说完整句话再响应
• 为兼顾画质与延迟,团队把模型拆分成单卡“思考者”(负责低延迟感知与语言组织)与多卡并行“执行者”(负责高分辨率视频生成)两条物理通路
• 这套原生流式、全双工的架构一旦落地到视频客服、数字人陪伴等场景,会让“像打真人视频电话一样和AI对话”从演示走向可用产品。