# 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

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

- 来源：AI HOT 精选
- 发布时间：2026-07-17T07:14:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/44929
- 原文：https://mp.weixin.qq.com/s/_eaO0wmsiQFGsrE2_zW_Dg

## 摘要

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。

## 锐评

550 毫秒这个数比分辨率翻倍值钱。人接话的间隙就两三百毫秒，超过一秒就明显觉得对面在愣神，550 已经落在能连续聊下去的区间里。把听、看、说、演塞进一个 Transformer，省掉的是模块之间来回倒腾的那段延迟，这比 192×336 提到 640×368 更实在。

这种端到端 demo 的延迟数字，一般是在理想网络和单路输入下测的，真接上实时音视频流、并发一上来，还能不能守住 550 不好说。
