跳到正文
AI HOT 精选

通义 Wan-Streamer v0.2 把听看说演塞进一个 Transformer,端到端延迟压到 550 毫秒

通义实验室发布 Wan-Streamer v0.2,端到端响应延迟仅 550ms

通义实验室放出了 Wan-Streamer v0.2,一个把音频、视觉、语音和动作生成全塞进单个 Transformer 的模型。它从听到指令到给出画面和声音,端到端只花 550 毫秒,比上一代快了不少。输出分辨率从 v0.1 的 192×336 提到了 640×368,帧率 25FPS,画质明显上了一个台阶。

推荐理由:通义实验室发布 Wan-Streamer v0.2,把音频、视觉、语音和动作生成合入单个 Transformer,端到端响应延迟压到 550 毫秒,输出分辨率从 192×336 提升到 640×368。

读原文 ↗导出 Markdown