端到端实时音视频交互模型开源

目前市面上的实时交互方案大多是级联架构，比如 GPT-4o 的语音模式背后其实是 ASR→LLM→TTS 的管道，延迟和语义损失难以避免。Wan-Streamer 的激进之处在于把音视频 token 和文本 token 混排在同一个序列里，用块因果注意力做增量解码，这跟 Moshi、GLM-4-Voice 的路线类似，但开源且强调端到端训练。

从工程落地看，真正的考验是音视频 token 的压缩率和实时解码的算力需求，论文里没给具体数字。如果延迟能压到 200ms 以内，对 AI 眼镜、车载助手、直播数字人这些场景会是颠覆性的。建议先跑 demo 测实际流式延迟，别只看架构图。