WAND

WAND-Vega-VL 可以看懂画面、听懂声音、读懂文字——

依托多年音视频技术积累与海量业务实践打造，WAND-Vega-VL模型支持视频、音频、图文输入，适用于视频内容总结、商品识别分类、演奏点评、具身智能数据打标等多种理解场景。

模型提供多版本，从高性价比到效果最优按需选择、按量计费；通过自动 Encoder Token 优化与前后处理工程，实现更大理解窗口、更高准确率与更低成本。同时，针对听歌识曲、K 歌点评、电商商品理解等高频场景，提供沉淀自真实业务的垂直专用模型，专业场景效果更佳。

WAND-Codec+ 是 VLM 大模型驱动的编码模型——

传统转码依赖固定的规则引擎，无法感知现实业务的复杂场景。WAND-Codec+ 引入 VLM 大模型驱动底层编码决策，让大模型真正“看懂”每一帧画面的语义内容，并在编码内核引入去噪、修复的 AI 预处理能力，结合语义进行修复、码率分配和视频压缩。除此之外， WAND-Codec+ 还针对 AV1、H.266 等复杂编码引入 AI 划分决策加速，大幅提升编码速度。WAND-Codec+ 相对开源编码器可节省 50%+ 的码率，提升处理速度 2 倍+，覆盖 10+ 种主流协议，头部平台的接入率达 90%。

WAND-EraseVibe+ 是基于隐空间 Transformer 的生成式无痕擦除模型——

传统擦除方案基于图像修复（inpaint）算法，本质是用周围像素做插值填充，处理后画面模糊、边缘不自然，视频场景下还会逐帧闪烁。WAND-EraseVibe+ 采用"编码器-Transformer-解码器"的端到端架构，先将画面压缩到隐空间提取深层语义特征，Transformer 在特征层精准剥离字幕/水印信号并推断被遮挡区域的内容分布，再由解码器重建回像素空间。配合大规模构建的“原画-字幕”成对数据训练，实现零伪影的高保真画面还原，帧间高度一致、连续播放无闪烁。支持多目标同时擦除，日处理量超 10 万分钟，头部短剧客户 80% 以上在用。