阿里通义实验室刚扔出一枚重磅炸弹——Wan-Streamer v0.2，直接把实时AI交互卷到了“全模态真人感”的新高度。官方给出的数据极具冲击力：端到端响应延迟压到550毫秒，其中模型自身延迟仅200毫秒；输出分辨率从上一代的192×336猛增至640×368，像素量提升超过3倍，25FPS流畅画质下，微表情、手势、甚至房间布局都清晰可见。

更“可怕”的是，它并非简单拼接语音、视觉模块，而是把“听、看、说、演”统一塞进单个Transformer，原生支持文本、音频、视频的实时理解与同步生成。对比市面主流实时交互系统，只有Wan-Streamer同时做到视频感知、视频输出、全双工交互、端到端架构且延迟低于1秒。

打开网易新闻 查看精彩图片

秘密在于“流式单元”设计：每160毫秒就完成一轮“感知→理解→生成→解码”的完整闭环，不等你说完整句话，AI已同步思考并给出音视频回应。为同时搞定高清和低延迟，v0.2首次引入“思考者+执行者”双轨并行架构——单卡Thinker专攻延迟敏感的流式感知与音频解码，多卡Performer集群用Ulysses并行扛起高分辨率视频生成，两者时序重叠，硬是把高画质计算从延迟关键路径中剥离。

效果有多颠覆？你只要用自然语言描述，就能实时召唤任何角色面对面聊天：听秦始皇复盘统一六国的谋略、看李白现场吟诗、让蒙娜丽莎开口讲文艺复兴、跟《清明上河图》里的路人打听宋朝物价，甚至逼问你家猫主子整天谋划什么……没有预设剧本，没有固定角色库，想象力是唯一天花板。应用场景直指视频通话式AI陪练、面试模拟、心理咨询、沉浸式教育、真人感游戏NPC等一切需要“在场感”的领域。