阿里发布 Wan Streamer：单一模型实时音视频通话，延迟仅 200 毫秒

过去我们和 AI 语音对话，最尴尬的瞬间不是它答不上来，而是那种机械的等待感。更别说开着摄像头视频了，屏幕里的数字人往往像个反应慢半拍的木偶，你讲完一段，它卡顿几秒才开始动嘴皮子。

阿里巴巴公布了一个叫 Wan Streamer 的端到端交互模型。它要做的事很直接：把 AI 变成一个能实时和你开视频电话的虚拟人，不仅能听、能看，还能在说话的同时继续观察你。

告别拼凑，把音视频塞进一个模型里

市面上现有的实时交互系统，大多是把几个现成模块强行拼在一起。先用语音识别把你说的话转成文字，扔给大语言模型想答案，再用文本转语音生成声音，最后拿动画模块驱动画面。

这种级联拼接的做法，每一道工序都在堆叠延迟。更要命的是，各个模块之间容易脱节，面部表情和说话声音往往对不齐，也谈不上自然的眼神交流。

Wan Streamer 走了一条彻底不同的路。它用单一的 Transformer 模型，同时对视觉、音频和文本的输入与输出进行建模。说白了，三种模态的 token 在同一条序列里交错流动，全部交给一套因果注意力机制来调度。

整个技术栈从底层编码器到解码器都围绕流式传输重构，流式单元最短可以切到 160 毫秒。它以每秒 25 帧运行，模型端的响应延迟被压到了 200 毫秒左右。即使加上 350 毫秒的双向网络延迟，总交互耗时也就 550 毫秒左右，稳稳落在 1 秒以内。

更关键的是它支持全双工通信。换句话说，AI 不需要等你彻底闭嘴才开始推理。在你说话的同时，它就已经在看、在听；而在它回应你的时候，如果你突然打断或做个手势，它也能当场感知并停下来。

表情自然，但目前还是「低清试验品」

从官方放出的未剪辑演示来看，虚拟人的表现确实挺生动。在解谜题、闲聊疲惫状态或者讨论刷手机习惯时，AI 不仅能跟上对话逻辑，还会做出自然的眨眼、拨头发和挥手动作。

不过，现在想上手体验可能还得等等。目前公开的 Wan Streamer v0.1 只是个技术验证版本，画面分辨率仅有 192p，满屏都是肉眼可见的马赛克。官方展示的内容也是本地录屏和预录样本，并没有开放线上的实时交互入口。

阿里团队对此的解释是，先用低分辨率证明端到端方案跑得通，后续扩展到更高分辨率在工程上相对容易。

为什么重要

对普通用户来说，现在的 Wan Streamer 还不算一个立即可用的成品，192p 的画质也没法直接当成日常陪伴工具。但它展示了一种全新交互形态的可能性：未来的 AI 伴侣不再是一个冷冰冰的语音悬浮窗，而是一个真正看得见你挑眉、叹气并即时做出反应的虚拟朋友。

对行业而言，这项技术最大的冲击在于撕碎了过去「拼装流水线」的行业惯性。以前做数字人客服和虚拟主播的公司，精力全花在打磨 ASR、TTS 和渲染引擎的接口上。一旦端到端多模态大模型证明自己能搞定亚秒级的音视频流，这些中间层的独立工具很可能会失去生存空间。

我们认为阿里这一步走得相当坚决，直接攻坚最难的端到端全双工架构。不过隐患也很现实：随着分辨率从 192p 提升到实用级别的 720p 甚至 1080p，单路视频并发所消耗的算力成本将成倍飙升。如何把每秒 25 帧的流式生成成本压到普通服务器能承受的区间，才是它从实验室走向落地必须迈过的坎。