Este 29 de junio de 2026, Alibaba ha presentado Wan Streamer, un modelo fundacional end-to-end nativo de streaming diseñado desde cero para interacción audio-visual en tiempo real, baja latencia y full-duplex. A diferencia de los sistemas en cascada tradicionales que dependen de módulos separados de VAD, ASR, LLM, TTS y generación de avatar/video, Wan Streamer integra percepción, razonamiento, generación, timing de respuesta, gestión de turnos y sincronización cruzada en un único Transformer causal unificado.
🧠 Arquitectura Unificada Revolucionaria
Wan Streamer modela lenguaje, audio y video tanto como entrada como salida dentro de un solo Transformer, donde la secuencia se representa como tokens visuales, de audio y de texto intercalados, coordinados por atención causal por bloques para streaming incremental. Esto elimina la acumulación de latencia y errores de los pipelines tradicionales, logrando ~200 ms de latencia del modelo y ~550 ms de latencia total de interacción (incluyendo ~350 ms de latencia de red bidireccional), permitiendo comunicación audio-visual dúplex por debajo del segundo.
🎭 Capacidades Human-Like
En demos que han dejado a la comunidad técnica tanto asombrada como inquieta, Wan Streamer ríe naturalmente, mantiene contacto visual, asiente mientras escucha y conversa casualmente sobre entretenimiento cotidiano y películas de Stephen Chow. El modelo soporta unidades de streaming de 160 ms a 25 FPS, con codificadores y decodificadores causales, atención causal por bloques y programación de tokens multimodales de baja latencia — una reescritura completa de la pila en torno a la transmitibilidad (streamability).
🔬 Investigación Abierta
El artículo técnico Wan-Streamer v0.1: End-to-end Real-time Interactive Foundation Models (arXiv:2606.25041) detalla la arquitectura: un único Transformer causal que aprende conjuntamente I/O de texto, percepción, habla, comportamiento de escucha, interrupción y respuesta visual. Esto posiciona a Wan Streamer como un modelo fundacional unificado, end-to-end y multimodal interactivo para interacción streaming de baja latencia — aplicaciones en asistentes encarnados, humanos digitales en tiempo real, transmisión en vivo y entretenimiento interactivo.
Aunque técnicamente sigue siendo una versión de investigación temprana, Wan Streamer señala audazmente el amanecer de humanos digitales hiper-realistas. Para una generación que busca autenticidad en un mundo cada vez más sintético, una IA que imita perfectamente la empatía humana podría ser la cura definitiva para la soledad — o exactamente lo contrario de lo que realmente necesitamos.