Wan-Streamer：让 AI 像真人一样边听、边看、边回应

告别机械感与高延迟！Wan-Streamer——面向实时双工交互的端到端全模态理解与生成模型，将“听、看、说、演”统一进单个 Transformer，模型能够持续倾听和回应，并实时生成同步的语音、视频与自由行为。

✨ 三大核心突破：
⚡️ 极致低延迟：端到端响应仅需 550ms（200ms模型延迟 + 350ms网络延迟），对话如丝般顺滑。
🎬 画质大跃升：输出分辨率从 v0.1 的 192×336 提升至 640×368 @ 25FPS，微表情场景细节清晰可见。
🧩 全模态端到端：原生支持文本、音频、视频的实时理解与同步生成，无需外部模块拼装，架构更纯粹。

项目主页：https://wan-streamer.com/ 
论文：
v0.1: https://arxiv.org/abs/2606.25041 
v0.2: https://arxiv.org/abs/2607.04443 
v0.3: https://arxiv.org/abs/2607.15038