PChome 7月17日消息，7月17日，阿里通义发布Wan-Streamer v0.2，AI视频通话响应仅550毫秒。
PChome 7月17日消息，7月17日，阿里通义实验室发布Wan-Streamer v0.2，一个能实时视频通话的AI模型。传统做法是把语音识别、大模型、语音合成和动画驱动四个模块拼在一起，环节越多延迟越明显。Wan-Streamer把“听、看、说、演”塞进一个模型里，省去了模块间来回传数据的时间，响应延迟压到了550毫秒。
和上一代相比，画面分辨率从192×336提升到了640×368，像素从6.5万增加到23.5万，差不多是原来的3.6倍。画质上来了，但延迟没跟着涨——团队把模型拆成两条路并行跑，一个负责理解对话，一个负责生成画面，相当于边说话边准备下一句的表情。画质好了之后，数字人不再是“一个飘着的头”，能看清视线方向、手势动作和周围环境。
模型每160毫秒完成一次闭环，不需要等用户把一整段话说完才回应。550毫秒是实验室数据，实际体验还看网络和设备，通义还没公布API价格和并发能力。目前更像一次技术展示——延时能不能守住、成本能不能接受，还得等产品真正开放了才知道。典型的应用场景包括视频通话助手、口语陪练和游戏NPC。
