阿里发布首个「音视频实时交互」模型，实现数字人实时视频聊天
http://t.cn/AXSTTg9z Wan-Streamer v0.1 是一个原生流式、端到端的全双工（双向）音视频实时交互多模态基础大模型。Wan-Streamer 内部没有外接任何ASR、TTS或视频生成模块，全部由同一个大模型在内部自主完成。在实际部署测试中，模型端的响应延迟仅为200ms左右，即使算上350ms的双向网络延迟，整体交互延迟也仅有550ms。这个效果确实很惊艳。可惜几乎没有透露任何技术细节，连模型大小都没说，相应的arxiv报告与其说是个技术报告，不如说是个产品介绍。