在2026年6月5日举办的AI产业应用大会上，腾讯云音视频正式发布AI原生能力底座WAND，引发行业广泛关注。从底层模型、媒体能力到接入方式，这是一次彻底的全面升级——音视频媒体AI能力将以Agent-Native模式向全行业开放。

腾讯云音视频在音视频领域已深耕超过20年，构建起业界最完善的产品矩阵，保障全链路流畅体验，全面提升媒体内容生产效率与质量。据IDC报告显示，腾讯云音视频解决方案已连续11次稳居中国及出海市场份额第一。

进入Agent时代，音视频的使命发生根本转变。以往的核心任务是“传得快、播得清”，如今则新增一条——成为Agent的“眼、耳、口”。不仅要精准解读画面与声音，还要生成可看可听的内容，助力Agent实现更智能的视听体验。而要让Agent流畅调用这些能力，生产流程必须端到端自动跑通，传统的割裂式工具链显然已难以支撑。

面对这些变革，腾讯云音视频拿出了系统性方案：在编解码、传输、增强等长期积累的原子能力之上，引入六大自研媒体专用模型，并以Agent-Native方式开放，共同构成WAND的三层架构。WAND这个名字取自四个关键词：Wide（全场景覆盖）、Amplify（以AI放大创作潜能）、Neural（自研模型驱动）、Delivery（稳定、一站式交付）。从内容生成到最终交付，一站搞定。

具体来看，最底层是模型引擎，由编解码、增强、擦除、生成、理解、音频六大自研媒体专用模型构成。这些模型专门用于补充生图、生视频、生音乐、生语音、生3D等主流生成式大模型在媒体生产流程中的落地能力。

模型之上是面向调用的能力层。基于模型能力，WAND将60项媒体AI能力按生成、理解、处理、编码四个环节重新组织，通过API、Agent预编排工作流（Agentic Workflow）和Skills三种Agent-Native模式开放。再往上，这些产品能力被整合为面向具体行业的端到端场景方案。

WAND能力架构全景图

WAND的媒体专用模型更贴合业务的实际需求。六大模型基于腾讯音视频业务沉淀的垂直领域生产数据训练，针对不同行业、不同场景分别做了专项调优，因此在真实业务中能保持稳定产出、实现多场景适配。

以AIGC内容处理为例。在AI换装、商品套图等电商应用中，WAND生成模型针对不同品类、不同业务需求分别训练了处理策略：换装能精准区分毛衣与西装的版型及材质差异，套图贴合电商运营实际的构图与风格，最终报错率更低、图片可用率更高。

WAND AIGC生产赋能电商场景示意图

WAND还解决了生产效率的关键问题。它将生成、理解、处理、编码的能力收进同一套体系，并以Agent友好的方式开放编排接口。Agent可以从内容理解走到素材生成，再自动完成画质增强与编码适配，端到端跑通整条链路，无需切换工具。音视频的媒体AI能力不再是彼此孤立的单一工具，而是可被Agent统一调度的生产级能力。

以短漫剧创作为例。WAND依托生成、擦除、增强、压缩等模型能力，将剧本生成、分镜制作、角色一致性保持、智能配音、合成增强串成一条自动链路。从生产到交付，整套素材由Agent驱动产出，平均生产效率提升90%，目前已服务国内80%以上的头部漫剧平台。其中，AI增强与无痕擦除双双荣获NAB Show 2026年度产品奖。

WAND AIGC内容处理赋能视频处理分发场景

赛事直播对实时性与并发要求极高，需要在毫秒级延迟下同步完成解说、集锦生成、画质提升与多语种分发。WAND通过自研模型协同调度，将识别、生成、合成、编码整合为全自动化流程：实时追踪进球、扑救等高光时刻，自动触发集锦生成与多语种解说合成，再按终端适配编码下发，码率较传统方案节省超过50%。这套方案已累计支撑FIFA世界杯、英超、西甲、ICC板球世界杯、英雄联盟S赛、冬奥会等数千场全球顶级赛事和活动，成为亚太地区规模最大的赛事直播技术底座。

WAND AI全能赛事制播Agent解决方案示意图

腾讯云音视频团队表示，WAND的发布标志着腾讯云音视频从提供单点媒体处理能力，全面升级为面向AI应用与Agent的原生媒体底座。未来，腾讯云将与更多客户共同探索AI Agent时代的音视频应用新形态。

WAND技术架构详细示意

腾讯云音视频全栈能力展示

腾讯云音视频全球网络布局

腾讯云音视频在音视频领域已有超过21年的技术积累，持续支持国内90%的音视频客户实现云上创新，独家具备腾讯云RT-ONE™全球网络。在此基础上，构建了业界最完整的PaaS产品家族，并通过腾讯云视立方RT-Cube™提供All in One的终端SDK，助力客户一键获取众多腾讯云音视频能力。腾讯云音视频为全真互联时代提供坚实的数字化助力。

腾讯云音视频服务全景