通义实验室刚把 Wan-Streamer v0.2 跑通，端到端延迟压到了 550 毫秒。这轮测试里，从用户说话到屏幕上的数字人开口，中间只隔了半秒不到，网络波动对体感的影响几乎可以被忽略。
模型架构上，它把听、看、说、演塞进了同一个 Transformer。以前那种分模块、层层转发的级联管道被砍掉了，数据直接在单模态里流转，音画同步问题也跟着没了。
实测下来，几个关键指标变化很明显。
首先是响应速度，系统能在 160 毫秒内完成感知、状态更新和生成响应，剩下的延迟主要来自网络传输。
其次是画质，分辨率从 v0.1 的 192×336 直接拉到 640×368，人脸轮廓和背景纹理都清晰多了，不再像早期 AI 视频那样糊成一团。
最明显的进化是体态，数字人从“只露个头”变成了全身模型，眼神交流和肢体动作都自然了。
这种架构让它能进以前不敢碰的场景。
口语练习时，反馈是实时的，学生不会对着个半天才回复的机器人练嘴皮子。
心理咨询里，它能保持眼神接触，肢体语言也会跟着情绪走，陪伴感比冷冰冰的文字强太多。
游戏 NPC 也不再是只会说固定台词的纸片人，遇到不同玩家会有不同的反应。
只要对“在场感”有要求的交互，基本都能用。
这轮发布说明 AI 聊天助手离“面对面”的真实交流只差一步。以前总担心延迟高、表情僵，现在延迟卡在 550 毫秒、画质拉满、眼神会动，技术瓶颈算是被绕过去了。
