2026.06.28 15:24

WanStreamer：阿里通义发布端到端实时交互基础模型，听、看、说、动在一个Transformer里 · 单一Transformer同时建模语言、音频、视频的输入与输出，靠block-causal attention实现增量式流式生成 · 模型侧响应延迟约200ms，叠加350ms网络延迟后总交互延迟约550ms，可支持亚秒级全双工音视频对话 · 当前版本分辨率仅192p，属于验证端到端设计的概念验证，后续可扩展到更高分辨率。未开源。项目介绍：

显示更多