6月5日，腾讯云音视频在AI产业应用大会上甩出一张新牌——AI原生能力底座WAND。简单说，就是让AI Agent（智能体）也能像人一样，直接调用腾讯云20多年积累的音视频处理能力，不用再切换各种工具，一条命令跑通全程。
WAND本质上是一个三层架构的“工具箱”。最底层是六大自研模型：编解码、增强、擦除、生成、理解、音频。这些模型专门补上了通用大模型在媒体生产中的短板——比如你让大模型“把这段视频的背景杂音去掉，再自动添加字幕”，它可能直接懵掉，但WAND的音频和生成模型能无缝配合搞定。中间能力层把60多项媒体AI能力重新打包，按生成、理解、处理、编码四大类归类，通过三种方式开放：API接口、预编排工作流（Agentic Workflow）、以及Skills模式。最方便的是，Agent可以自己按需调取这些能力，像搭乐高一样自动跑通整条链路，全程不用人点鼠标。
实际效果已经验证过。在电商场景里，WAND的生成模型能根据不同商品类别（比如衣服、数码产品）自动调整处理策略，大幅降低图片出错率，提高可用性。短漫剧创作更是直接起飞——从剧本生成到角色形象保持一致，WAND把各个环节串成自动化流水线，平均生产效率提升了90%。目前国内超过80%的头部长漫剧平台都在用它。其AI增强和无痕擦除技术甚至拿下了NAB Show 2026年度产品奖。
面对高并发、极低延迟的赛事直播，WAND的自研模型协同调度，把识别、生成、合成、编码整合成一个全自动流程，相比传统方案能节省超过50%的码率。它已经累计支撑了数千场全球顶级赛事。
作为连续11年中国及出海市场份额第一的玩家，腾讯云音视频这一步棋很明确：让音视频能力不再是“需要单独调用”的工具，而是变成Agent体系里可被统一调度的“基础技能”。未来，开发者甚至不需要懂音视频底层，Agent自己就能搞定剪辑、增强、生成——这才是AI时代视听应用该有的样子。