今日，阿里通义实验室发布 Wan-Streamer v0.2 模型，让 AI 像真人一样边听、边看、边回应。

　　它是面向实时双工交互的端到端全模态理解与生成模型，把“听、看、说、演”统一进单个 Transformer 中。

　　该团队对比了市面上主流的实时交互系统。在响应延迟上，Wan-Streamer 的端到端交互延迟在 0.55s 左右，显著快于常见的实时语音对话模型。

　　在功能覆盖上，Wan-Streamer 同时具备了感知、输出、全双工交互、端到端架构且响应延迟控制在 1 秒内。

　　Wan-Streamer 将用户的文本、音频、输入，与智能体的输出，统一映射到同一条因果时间线上。

　　模型无需等待“一整段话”说完，而是引入了流式单元的概念。大约每 160ms 就会完成一次完整的闭环：

　　这意味着，AI 不需要等你说完再想，而是在你说话的每一小段时间里，同步完成“感知 → 理解 → 生成 → 解码”。这种原生流式的建模方式，是实现极低延迟与全双工交互的基础。

　　v0.1 验证了端到端原生流式音对线 将输出分辨率大幅提升至 640×368。这不仅仅是像素的增加，更带来了