// 01 Wan-Streamer 是什么
快速结论
Wan-Streamer（Wan 流式交互模型，隶属 Wan 视频模型家族）是一个端到端、低时延的实时音视频交互基础模型，用单一 Transformer 把感知、推理、生成、轮次管理与跨模态同步统一在一起。截至 2026-06（v0.1，论文 arXiv:2606.25041），它支持最短 160ms / 25fps 的流式单元，模型侧时延约 200ms，可实现亚秒级双向（duplex）音视频对话。
适合谁优先使用
- 做实时数字人 / 虚拟主播 / AI 陪聊的开发者
- 需要低时延"语音 + 画面"双向交互的产品团队
- 研究流式多模态、端到端音视频生成的研究者
- 想替换"VAD + ASR + TTS + 视频生成"多模块拼装方案的工程团队
核心能力拆解
统一架构
单一 Transformer 同时做感知 / 推理 / 生成 / 轮次管理 / 跨模态同步，省掉独立的 VAD、ASR、TTS 与视频生成模块。
流式设计
因果编解码器 + 块因果注意力 + 低时延 token 调度，流式单元最短 160ms @ 25fps。
低时延
模型侧时延约 200ms，含网络（约 350ms）总交互时延约 550ms，达到亚秒级双向通信。
原生多模态
把语言、音频、视频作为统一 token 交错输入输出，做增量处理。
和同类工具怎么选
| 需求 | 优先考虑 | 判断标准 |
|---|---|---|
| 实时双向音视频对话 | Wan-Streamer | 端到端、亚秒级时延 |
| 离线高质量视频生成 | Wan / Sora 等视频生成模型 | Wan-Streamer 重交互非重画质 |
| 纯语音实时对话 | 实时语音大模型 | 不需要画面则更轻 |
国内平替：Wan 系列属阿里通义体系的开源视频模型，国内生态可获取；实时交互方向国内厂商也在跟进。
限制与避坑
- 截至 2026-06 为 v0.1，仍属早期 / 研究阶段，工程落地需验证
- 论文署名为 Lianghua Huang 等 25 人；与阿里 Wan 视频模型的具体关系以官方为准（待核实）
- 实时音视频对算力 / 带宽要求高
- 总时延含网络部分，实际体验受部署环境影响
NavXD 使用建议
如果你要做"能看能听能即时回应"的数字人或 AI 陪伴类产品，Wan-Streamer 的端到端流式架构很值得跟进；做离线高画质视频则该用专门的视频生成模型。wan-streamer.com 为项目站（部分地区访问受限），论文在 arXiv 公开。
常见问题
Wan-Streamer 开源吗？ 截至 2026-07 为 v0.1，论文已公开（arXiv:2606.25041），代码 / 权重开放情况以官方项目站为准（待核实）。
Wan-Streamer 和 Sora 有什么不同？ Wan-Streamer 主打实时双向交互（亚秒级），Sora 类主打离线高质量长视频生成。
Wan-Streamer 延迟多少？ 模型侧约 200ms，含网络总时延约 550ms，25fps。
// 02 核心 功能
- 核心定位Wan 家族的端到端实时音视频交互大模型，最短 160ms 流式 / 25fps，做亚秒级双向数字人对话。
- 分类索引当前归档在 AI 视频，方便和同频工具横向比较。
- 能力标签关联标签包括 多模态、视频生成、数字人、实时交互、音视频。
- 使用入口已记录可访问入口，可通过本页主按钮跳转。
// 03 使用 场景
- 快速判断是否适合当前任务结合 AI 视频 定位和 多模态、视频生成、数字人 标签，先判断它是否匹配你的工作流。
- 横向比较同类工具从相同分类和标签继续探索替代工具，减少只看单个产品带来的选择偏差。
- 沉淀工具选型资料把官网入口、平台、版本和 NavXD 标签合并成一页，适合做选型记录或团队分享。
