阿里通义实验室发布 Wan-Streamer v0.2 实时全模态交互模型

背景

阿里通义实验室在大模型与多模态领域持续迭代，此前已推出多项技术成果，包括提升推理能力的 FIPO 算法、面向多模态交互的 CoPaw 1.0 新版本，以及视频生成环境音框架 PrismAudio。2026 年 7 月 17 日发布的 Wan-Streamer v0.2 是其面向实时双工交互场景的最新全模态模型，旨在降低端到端延迟并统一理解与生成流程。

核心内容

Wan-Streamer v0.2 采用了原生流式架构与分布式推理拓扑，能够在单一模型交互循环中同时完成理解（如语音、文本、图像等输入的分析）与生成（如输出语音、文本、图像等）。该模型针对实时双工交互场景设计，支持端到端全模态理解与生成，其端到端交互延迟约为 0.55 秒（含网络传输时间）。这一架构通过分布式推理拓扑实现计算资源的高效调度，使得模型在对话、问答、多轮互动等需要即时响应的任务中可保持低延迟与流畅性。

关键要点

• 原生流式架构：模型以流式方式处理输入与输出，无需等待完整输入再生成，实现边理解边生成。
• 分布式推理拓扑：利用分布式计算资源，降低单点瓶颈，提升推理效率。
• 单一模型交互循环：理解与生成在同一模型循环内完成，无需切换模块或模型，减少中间延迟。
• 实时双工交互：支持双方同时进行输入和输出（如语音对话中可同时说话与聆听）。
• 端到端全模态：覆盖文本、语音、图像等多种模态的理解与生成，未限定具体模态数量，强调“全模态”能力。
• 延迟表现：端到端交互延迟约 0.55 秒（含网络传输），接近人类自然对话节奏。

意义与影响

Wan-Streamer v0.2 的发布标志着阿里通义实验室在实时多模态交互技术上的重要进展。传统多模态模型往往将理解与生成分为独立阶段或依赖流水线架构，导致延迟较高且交互不流畅。该模型通过原生流式与分布式拓扑将两个环节合二为一，为智能助手、实时翻译、虚拟人对话、远程协作等场景提供了更低延迟、更自然的交互体验。此外，其“全模态”定位意味着未来可扩展至更多输入输出形式，可能推动端侧设备与云端协同的实时交互应用落地。结合阿里通义实验室近期在推理算法（FIPO）、多模态框架（CoPaw）及环境音生成（PrismAudio）上的积累，Wan-Streamer 有望成为其下一代实时 AI 交互基础设施的核心组件。