阿里通義實驗室發佈 Wan-Streamer v0.2 模型，AI 視頻電話響應延遲僅 550ms

阿里通義實驗室正式發表最新一代即時互動模型 Wan-Streamer v0.2，主打極低延遲的人機對話體驗，將端到端響應時間壓縮至僅 550 毫秒。這項突破讓 AI 能在真實對話場景中「邊聽、邊看、邊回應」，大幅提升互動流暢度與即時感，為即時視訊通話、沉浸式遊戲等應用帶來全新可能性。Wan-Streamer v0.2 的核心技術架構將「聽、看、說、演」四項能力整合至單一 Transformer 模型之中。

傳統語音或視覺 AI 通常需要依序處理聲音、影像、語意理解及生成回覆，導致明顯延遲；而新模型透過統一架構實現多模態同步推理，使得 AI 在接收用戶語音與影像輸入的同時，即可開始運算並即時輸出回應，達到近乎無縫的對話節奏。該模型採用全雙工交互模式，使用者與 AI 可以同時發話、中斷或接話，不再需要像傳統語音助手那樣輪流等待。這項設計更貼近人類自然對話中的打斷與接話行為，讓互動不再生硬。舉例來說，當用戶正在說話時，AI 可以根據用戶的語調、表情或手勢變化即時插入簡短回應，或主動引導話題轉向，營造出有來有往的交流氛圍。除了延遲大幅縮短，Wan-Streamer v0.

2 在輸出解析度上也獲得明顯提升。根據阿里通義實驗室說明，新版模型的視覺回饋更加清晰細緻，無論是即時生成的虛擬人物表情，還是場景中的文字、圖形元素，都能呈現更高品質的畫面。這對於需要精準視覺資訊的應用場景，如遠距教學、醫療諮詢或虛擬客服，尤為關鍵。在實際應用方面，Wan-Streamer v0.2 最具代表性的場景之一就是即時視訊通話助手。當用戶與 AI 進行視訊對話時，模型能同步分析語音內容與影像資訊 —— 例如用戶的表情、環境背景、手勢動作 —— 並在此基礎上給出精準且即時的回應。舉例來說，若用戶在視訊中拿起一件物品詢問，AI 可立即辨識物品並提供相關資訊，無需等待用戶說完或切換模式。

另一個重點應用領域是沉浸式遊戲中的非玩家角色（NPC）。傳統遊戲 NPC 通常依賴預先編寫的對話樹或有限的觸發條件，反應單一且缺乏彈性。而 Wan-Streamer v0.2 賦予 NPC 即時感知玩家表情、語氣與動作的能力，讓角色能夠根據玩家的即時狀態做出動態回應。例如，當玩家表現出緊張或興奮的情緒時，NPC 可以調整對話語氣、提供提示或改變任務引導方式，從而創造更具臨場感的互動體驗。阿里通義實驗室表示，Wan-Streamer v0.2 不僅在技術指標上取得顯著進展，更重要的是為人機互動的「即時性」設下了新標竿。

550 毫秒的端到端響應時間意味著 AI 幾乎感覺不到延遲，使用者能自然流暢地與之交談，這對於建立信任感與使用舒適度至關重要。未來，這套模型可望應用於智慧家居、虛擬助理、線上教育、遠距協作等領域，推動 AI 從被動應答走向主動參與的人機協作模式。值得注意的是，Wan-Streamer 系列模型由阿里通義實驗室自主研發，該實驗室長期專注於多模態 AI 技術，此前已推出多款具影響力的語言與視覺模型。Wan-Streamer v0.2 的誕生，進一步展現了阿里在即時互動 AI 領域的技術實力，也為業界提供了一個低延遲、高品質的全雙工互動解決方案。

業界分析認為，隨著即時通訊與虛擬實境應用的普及，用戶對 AI 回應速度與自然度的要求越來越高。Wan-Streamer v0.2 的 550 毫秒延遲不僅領先許多現有語音助手（通常在 1 至 2 秒之間），更透過全雙工設計打破了「輪流發言」的互動瓶頸。加上解析度提升帶來的視覺品質改善，這款模型有望成為新一代人機介面的重要基礎設施。目前，阿里通義實驗室尚未公布 Wan-Streamer v0.2 的具體開源計畫或商用時程，但已開放部分技術細節供開發者與研究機構參考。

隨著更多應用案例的落地，Wan-Streamer 系列將持續迭代，朝向更低延遲、更高畫質、更豐富互動方式的方向演進，為智慧時代的人機對話注入更多可能性。