刚看到通义实验室放出了Wan-Streamer的v0.2版本，主打实时AI视频电话，官方给的响应延迟是550ms。550ms这个数放到实时对话里已经算能接受的区间了，基本就是你说完话对面接近立刻有反应的感觉，再往下压才谈得上无感。
之前做实时数字人或者AI视频通话，卡的一直不是模型好不好看，而是那口气接不上，延迟一高整个人就像在打越洋电话，聊两句就没耐心。这次专门朝streaming方向迭代，方向是对的。
具体怎么算这个550ms、是端到端还是只算推理这块，官方页面我还没抠细，等有实测的可以贴一下。做直播连麦、虚拟客服、陪聊这类场景的应该会比较关心这个数字。