تصور کنید با یک نمایندهٔ دیجیتالی صحبت می‌کنید که دقیقاً همان لحظه که شما حرف می‌زنید، واکنش نشان می‌دهد و هیچ وقفهٔ عجیبی بین سؤال شما و پاسخ او نیست. این تجربهٔ بدون وقفه اکنون با Wan-Streamer، مدل جدید تیم Alibaba Wan، به واقعیت تبدیل شده است.
تا پیش از این، اکثر سامانه‌های ویدئویی هوش مصنوعی از یک زنجیرهٔ متوالی استفاده می‌کردند: ابتدا صوت به متن تبدیل می‌شد، سپس یک مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — پاسخ را می‌ساخت و در نهایت یک موتور مجزا انیمیشن را رندر می‌کرد. این ساختار تکه‌تکه باعث ایجاد تأخیری می‌شد که توهم گفتگو با انسان را می‌شکست. همان‌طور که در تحلیل قبلی ما درباره‌ی هزینه‌های استنتاج مدل‌های سنگین اشاره کردیم، مشکل اصلی این سیستم‌ها نه تنها هزینه، بلکه معماری کند آن‌ها بود.
طبق گزارش ۲۶ ژوئن ۲۰۲۶ از Proje Defteri، مدل Wan-Streamer به‌عنوان یک خط لوله واحد عمل می‌کند. این سیستم از یک ساختار ترنسفورمر (Transformer) یکپارچه برای پردازش هم‌زمان زبان، صوت و تصویر استفاده می‌کند. مشخصات فنی کلیدی این مدل عبارتند از:
- سرعت: اجرا با نرخ ۲۵ فریم بر ثانیه و تأخیر کلی پاسخ‌دهی زیر یک ثانیه (شامل زمان شبکه).
- همگام‌سازی: تولید هم‌زمان حرکات لب، میکرو-اکسپرشن‌های چهره و صدا.
- تعامل: پشتیبانی از گوش دادن فعال، حفظ تماس چشمی و توقف فوری هنگام قطع کلام توسط کاربر.
به نقل از مستندات این پروژه، جایگزینی چهار مدل مجزا (ASR، LLM، TTS و انیمیشن) با یک ترنسفورمر واحد، گلوگاه‌های سیستماتیک تعاملات آنی را از بین برده است. این رویکرد بهینه‌سازی در پردازش تصویر، یادآور تکنیک‌های پیشرفته در معماری stikshot است که امکان تبدیل ویدیو به انیمیشن را بدون انتقال داده‌های حجیم فراهم می‌کند. برای صاحبان کسب‌وکار، این یعنی خدمات مشتریان از حالت «چت‌بات با چهره» به نماینده‌های دیجیتالی می‌رسد که از نظر بصری و زمانی با انسان تفاوتی ندارند.
این مدل به دلیل قابلیت تولید محیط‌ها و چهره‌های متنوع بدون نیاز به آموزش مجدد برای هر شخصیت، مسیر را برای دستیاران شخصی‌سازی‌شده در حوزه‌های سلامت و آموزش هموار می‌کند. علاوه بر این، کاهش نیاز به تولیدات دستی و گران‌قیمت، می‌تواند به‌شدت هزینه‌های تولید ویدیوهای تبلیغاتی را برای سازمان‌ها کاهش دهد. در حال حاضر نسخه ۰.۱ یک پروتوتایپ تحقیقاتی است و هنوز برای استفاده تجاری یا دانلود متن‌باز عرضه نشده است.
گام بعدی شما
- مقایسه تأخیر (Latency) ابزارهای فعلی خود با استانداردهای زیر یک ثانیه.
- دنبال کردن مقالات پژوهشی تیم Alibaba Wan برای انتشار APIهای عمومی.
- بررسی جایگزینی زنجیره‌های پردازشی (Cascaded) با مدل‌های چندوجهی یکپارچه در محصول خود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو