Wan-Streamer - 阿里开源实时全双工多模态基础模型

Wan-Streamer是什么

Wan-Streamer 是阿里达摩院开源的端到端实时全双工多模态基础模型，通过统一因果 Transformer 架构将文本、音频、视频的输入输出 token 整合为同一条因果序列，实现亚秒级实时双向视频交互，模型响应延迟仅 200ms，端到端总延迟 550ms，稳定输出 25FPS 同步音视频。

Wan-Streamer的主要功能

• 实时音视频对话：支持用户与 AI 数字人进行双向视频通话，AI 可同步输出语音与面部表情。
• 全双工交互：支持用户实时打断、AI 主动提问，实现自然流畅的人机对话。
• 多模态输入理解：同时接收并理解用户的视频画面、语音和文字输入。
• 流式分片生成：采用 160ms 短时流式分片，边接收信息边生成反馈，无需等待全帧。
• 长时序一致性：全局 KV 上下文缓存保证长时间对话中人物形象、语气稳定统一。

Wan-Streamer的技术原理

• 统一单 Transformer 流式架构：将用户画面、人声、文字输入与 AI 语音、表情、字幕输出交错为一条因果 token 流，文本自回归预测，音视频条件流匹配联合生成。
• 全因果技术栈设计：编码器、解码器、VAE 到注意力层全部遵循因果约束，仅使用历史时序信息预测下一单元，核心块因果注意力限制未来 token 不可见。
• 三段式训练流程：多任务预训练混合图文语音对话数据，全双工微调学习倾听插话停顿行为，流式蒸馏大教师模型轻量化并采用滚动自强制策略。
• Thinker-Performer 双 GPU 推理：Thinker 处理用户音视频编码与上下文更新，Performer 执行流匹配音视频去噪生成，两者共享上下文并行执行。

如何使用Wan-Streamer

目前 Wan-Streamer 仅发布论文与项目官网演示，完整代码和模型权重尚未开源，暂无法本地部署。

Wan-Streamer的核心优势

• 超低延迟：模型侧 200ms 响应，端到端仅 550ms，远低于行业 1 秒以上水平。
• 端到端一体化：单一模型完成感知、理解、生成全流程，无需 ASR、LLM、TTS、渲染多模块拼接。
• 全双工实时交互：支持边听边回应、中途打断，交互自然度媲美真人。
• 音视频同步：语音与面部动作同步约束生成，无需后期对齐修复，口型零错位。
• 长对话稳定性：全局 KV 上下文保证人物容貌与语气长时间不漂移。

Wan-Streamer的项目地址

• 项目官网：https://wan-streamer.com/
• arXiv技术论文：https://arxiv.org/pdf/2606.25041

Wan-Streamer的同类竞品对比

对比维度Wan-StreamerGPT-4o Realtime开发方阿里达摩院OpenAI视频输入✅ 支持✅ 支持同步视频输出✅ 数字人视频❌ 仅语音全双工交互✅ 实时打断/插话⚠️ 部分支持端到端架构✅ 单一 Transformer❌ ASR+LLM+TTS 拼接模型响应延迟200ms230ms端到端总延迟~0.55s~0.8s渲染延迟含端到端内不含（仅语音）口型同步✅ 原生同步生成❌ 无视频输出长时序一致性✅ 全局 KV 缓存⚠️ 依赖外部系统当前分辨率192p（原型）无视频输出

Wan-Streamer的应用场景

• 虚拟客服：银 行、电商等场景提供面对面实时视频咨询服务。
• 直播互动：AI 主播实时回应观众弹幕与语音提问，提升直播间互动体验。
• AI 陪伴：情感陪伴数字人支持实时视频聊天，提供沉浸式陪伴体验。
• 游戏 NPC：交互式游戏角色与玩家实时视频对话，增强游戏沉浸感。
• 在线教育：AI 虚拟教师进行实时视频答疑与个性化辅导。