四段角色演示 ＋ 实时录屏

下面四段演示都出自同一个模型，只是换了人物、声音和场景。先看效果，再讲原理。

下面这段不一样：是一次真实联网对话的屏幕录制，能看到完整的实时回应链路。

旧办法为什么慢：一道道接力，每步都在等

旧办法慢，是因为它们是一串独立模型拼起来的流水线：语音先转成文字（ASR），文字喂给语言模型想答案（LLM），答案再合成语音（TTS），最后驱动一张脸动起来（动画渲染）。每过一道工序都要等上一道交货，等待时间一段段累加，识别和口型对不齐的误差也一路累积。

原文给这件事下了一个判断：实时音视频交互不是「多模态理解」加「多模态生成」的简单相加，它本质上是全双工的，所以可流式性是一种建模约束，而不只是上线后的工程优化。建在离线编码器、双向解码器、回合制对话之上的系统，光靠工程调优也补不出真正的低延迟全双工。这正是下一节要拆的核心。

它的办法：一个模型从听到说全包了

Wan Streamer 的内核只有一句话：把视觉、音频、文本的输入 token 和输出 token，交错排成同一条序列，交给一个 Transformer 处理；用 block-causal attention 协调，让它边来边算地往外吐。

模型把交互看成一条连续的因果流：你的观测和它的回应，一起更新当前上下文。每个流式单元里，它编码当前能拿到的用户观测，再根据双方完整的因果历史预测下一段回应。语言回应是一串离散 token，用 next-token 预测训练；音频和视频回应活在连续的 latent 空间里，用条件 flow matching 联合生成，以同一份干净上下文为条件，让语音、动作、外观、场景演化作为一个耦合整体一起去噪，而不是各生成各的再拼。

Wan Streamer 总体框架：语言、音频、视频在同一个 Transformer 里同时作为输入与输出建模，由 block-causal attention 协调，边来边算地流式生成。来源：Wan Streamer 官方

为了撑住这条流，整栈从设计之初就是因果的：用于流式 latent 编码的严格因果音视频 VAE、因果音视频编码器、因果音视频解码器，以及由 block-causal attention 协调的时序因果 Transformer。去噪后，估计出的干净 latent 直接追加进历史，作为后续单元的上下文；因果解码器再把它们渲染成最终的音视频。被这套设计抹掉的外部模块是：

怎么做到边听边说、随时能打断

人和世界的交互天生是流式、全双工的：我们不是先听完、再单独想、最后才答，而是一边看一边听一边说、随时停顿和打断，感知和表达在音视频的时间尺度上重叠发生。实时交互模型也得长成这样。

这套机制能成立，靠的是 block-causal attention。它把一小块（比如 160ms 的音视频片段）当成一个处理单位：块内部的 token 可以互相看（双向），但一个块只能看见过去的块、看不到未来的块。这样既保住了块内上下文，又能边来边算，不用等整段说完。

块内 token 互相看，块之间只往左看过去：块 3 一到就能开算，因为它只依赖块 1、块 2，不用等未来的块 4。这就是流式生成。

点开看部署细节：thinker–performer 怎么把延迟压到 200ms

Wan Streamer 训练时是单个端到端模型；实时部署时，同一个模型拆成跨两张 GPU 的 thinker–performer 流水线，尽量让计算重叠。系统 prefill 完成后，thinker 把初始 KV-cache 广播给 performer，两边共享同一份全历史状态，统一模型的行为被完整保留。

thinker 负责因果音视频编码器、一次用于语言预测与状态更新的短计算、KV-cache 构建，以及把上一单元的 latent 解码成音视频并立即输出。performer 只负责 latent 生成，基于共享的全历史 KV 上下文，为下一段音视频单元跑 flow-matching 求解器。因为 performer 从不跑解码器、thinker 从不跑高成本的求解器，解码和生成互不阻塞。

只要 performer 耗时加通信耗时能塞进一个 160ms 单元，就维持实时吞吐。而「编码 → 状态更新 → latent 生成 → 解码」这条信号到信号的路径，就是约 200ms 的模型侧延迟，靠 CUDA graph 捕获、编译、优化算子压在预算内。

thinker–performer 流式推理重叠：第 k 个单元，thinker 编码当前观测、更新 KV-cache 并把上一单元 latent 解码后立即输出；performer 只跑 flow-matching 求解器生成下一段 latent，下一单元返回。感知、解码、通信、去噪在相邻单元间重叠。来源：Wan Streamer 官方

和别的系统比，快在哪、能做什么

下面两组延迟数字测的不是一回事，得分开看。上方一组是完整的端到端交互闭环（感知用户并产生回应），其中只有 Wan Streamer 同时输出视频；下方一组是数字人／音视频渲染器，只计到渲染阶段，不含它们依赖的外部语言模型、ASR、TTS，所以用户实际感受到的延迟比图里更高。

能力维度的覆盖如下，Wan Streamer 是唯一一行全部打勾的：

✓＝是　~＝部分支持／未公开　✗＝否。全双工指系统生成时仍在持续感知，也就是边理解边回应。标「~」的格子，要么是部分支持，要么是该指标没有公开。

它的做法很直接：把上面那一整条接力流水线，全部并进同一个模型，从看你听你到开口回应一气呵成（这叫「端到端」，一个模型从头包到尾，中间不再交给别的模块）。

但把几个模块并成一个，只是第一步。真正难的是让 AI 像人一样边听边说、你插一句它立刻能停下来，这得把处理方式从头改造。

靠的是一招叫 block-causal attention（块状因果注意力）的机制：把你的画面和声音切成一小块一小块（每块约 160 毫秒），模型一块块地边收边算，不用等你把整句话说完。

普通人对「快多少倍」没感觉，对「等多久」才有感觉。同样是你说完一句话、等 AI 开口这件事，各家系统差得很多，而且只有 Wan Streamer 回你时还带一张会动的脸。