阿里通义 Wan-Streamer v0.2 把听、看、说、演统一进单个 Transformer，实现约 550ms 端到端延迟的双工音视频交互。本文拆解它的架构、关键指标和适用场景。
阿里通义 Wan-Streamer v0.2 把听、看、说、演统一进单个 Transformer，实现约 550ms 端到端延迟的双工音视频交互。本文拆解它的架构、关键指标和适用场景。
7 月 17 日，阿里通义实验室放出 Wan-Streamer v0.2，一个面向实时双工音视频交互的端到端全模态（omni）模型。通俗讲，就是真正能"打通"的 AI 视频电话：你说一句、它一边听一边生成画面和语音回应，端到端延迟大约 550ms。它的关键突破不在于"又快了一点"，而在于首次把听（ASR）、看（视觉理解）、说（TTS）、演（视频生成）四件事统一进一个 Transformer，砍掉了传统方案里拼装的多个独立模块。这篇文章把它是什么、关键指标、架构差异和适用场景讲清楚，适合在做实时数字人、AI 客服、语音陪伴类产品的开发者。
Wan-Streamer 是阿里通义推出的端到端全模态理解与生成模型，专为实时、双工的音视频交互场景设计。"双工"意味着它能像打电话一样同时听和说，而不是传统对话那种"你说完我再回"的半双工模式。
v0.2 版本的关键指标：
| 指标 | 数值 | 说明 |
|---|---|---|
| 端到端交互延迟 | 约 550ms | 含约 350ms 网络传输 |
| 输出分辨率 | 640×368 | v0.2 较 v0.1 提升了分辨率 |
| 帧率 | 25 FPS | 视频输出帧率 |
| 延迟变化 | 与 v0.1 持平 | 分辨率上去了，延迟没变 |
550ms 这个数字需要拆开看：里面大约 350ms 是网络传输，纯模型侧的延迟在 200ms 量级。这意味着在弱网环境下，体验会主要被网络而不是模型拖累。
这是 Wan-Streamer 最大的架构差异。传统实时数字人方案是"拼接"出来的：
[传统方案]
麦克风 → ASR（语音转文字） → LLM → TTS（文字转语音） → 视频生成模型 → 屏幕
每一环都是独立模型，延迟和误差逐级累加
[Wan-Streamer]
麦克风 → [单个流式因果 Transformer] → 屏幕
听/看/说/演统一在一个模型里完成砍掉中间环节的直接收益：延迟更低、模块间的信息损失更少、唇形和情感同步更自然。
"Wal-Streamer 用的是原生流式因果 Transformer 架构。"因果（causal）"指的是模型只看过去、不看未来，这是实时交互必须满足的条件——它不可能等用户说完一整句再开始反应。配合分布式推理拓扑，让单帧生成延迟可控。
v0.2 相比 v0.1 在分辨率上有明显提升，帧率稳定在 25FPS，延迟保持不变。这个分辨率够用于：
但还达不到 1080P 高清直播的标准。
参考来源
千问正式接入淘宝，用户可以在对话中完成搜索、比价、下单、支付、查物流全流程。四大场景实测 AI 购物体验。
火山引擎推出 Agent Plan，将字节自研模型、主流三方模型和联网搜索等工具打包订阅，适配 Claude Code、OpenClaw 等 Agent 平台。
Anthropic 发布 Agent View 研究预览版，一个界面管理多个 Claude Code 会话，支持后台并行、状态追踪和 worktree 隔离。