Wan Streamer v0.1

该模型将语言、音频和视频表示为由块因果注意力协调的交错输入和输出 token。其技术栈使用因果编码器、因果解码器、低延迟多模态调度，以及最短 160 毫秒的流式单元，以支持约 25 fps 的交互。

Wan Streamer 适用于实时智能体、交互式数字人、多模态助手和低延迟全双工通信研究。项目报告模型侧延迟约为 200 毫秒，在包含网络延迟时，总交互延迟约为 550 毫秒。