v0

Wan-Streamer v0.2 延续了流式生成的核心思路，在不增加端到端延迟的前提下，进一步提升了输出视频的空间分辨率与画面细节。相较上一版，它更强调在实时或准实时场景中的可用性，适合对交互响应速度敏感的应用，例如在线内容生成、沉浸式预览和低延迟视频编辑。该工作体现出视频生成模型在“质量—速度”权衡上的新进展：通过更高效的推理与生成策略，让模型在保持流式输出体验的同时获得更清晰、更稳定的视觉表现。

本文指出，在面向数据库的智能应用中，真正高效可控的方案往往不是更大的闭源模型，而是体积更小、可开放权重的语言模型。原因在于数据库场景强调低延迟、稳定性、可部署性与数据安全，小模型更容易在本地或私有环境中运行，也便于针对特定查询、模式理解和工具调用进行微调。作者讨论了大模型在数据库任务中的成本与复杂度问题，并强调开放权重带来的可审计、可定制和可组合优势。整体观点是：对于大规模数据库系统，AI 能力应优先嵌入可控的小模型，而非一味追求参数规模。

该研究针对中文新闻文本转语音（TTS）系统在真实场景中常出现的多音字误读、专有名词发音不准等核心问题，构建了首个以“目标词级”（target-level）为评估单元的自动评测基准CN-NewsTTS Bench。基准覆盖10类典型发音难点（如地名、人名、科技术语、古汉语用字等），包含2,847个精心标注的测试样本，并提供标准化的发音正确性自动判别流程——融合拼音对齐、声调比对与上下文敏感的纠错规则。不同于传统整句MOS或WER评测，该基准可精准定位错误发音位置并量化细分错误类型，已验证其与人工评估高度一致（ρ=0.92）。作者开源全部数据、评测脚本及基线模型，旨在推动中文TTS发音鲁棒性的可复现研究。