字节发布SeedRealtime大模型，原生音视频全双工交互上线豆包

【科技纵览】当AI不再只是被动等待指令的问答机器，而是能像人类一样“边看、边听、边说”时，交互体验的边界便被彻底重构。8月5日，字节跳动正式对外披露了原生音视频全双工大模型SeedRealtime，并宣布该模型已在豆包App实现全量上线。用户只需将应用更新至最新版本，通过“打电话”功能进入视频通话界面，即可亲身体验这种实时音视频AI交互的新形态。

SeedRealtime的核心突破在于其统一端到端架构。它原生融合了音频、视频与文本数据，支持模型在连续的多模态信息流中，同步完成感知、理解、决策及表达全过程。这与传统依赖ASR、视觉模型、TTS等多个模块串联的级联系统截然不同。新架构不仅削减了多模块堆叠带来的延迟与信息损耗，更摆脱了对外部VAD进行轮次判断的依赖。

据字节方面介绍，该模型具备三项关键能力：音视频联合理解、主动交互以及更自然的对话节奏。它能结合画面、声音及时序信息精准捕捉用户意图，例如利用视觉线索消除同音词歧义，识别手势或指代对象，并持续追踪画面变化以提供主动提醒。在官方演示案例中，无论是多人聚会中区分不同发言者身份，还是协助外国游客实时解读中文菜单，亦或是博物馆内识别特定文物后主动提示，模型均表现优异。甚至在辅助操作咖啡机或阅读论文翻页时，它也能根据画面细微变化实时纠错或自动提示章节出现。

面对复杂环境，SeedRealtime展现出极强的抗干扰能力。在机场等嘈杂场景下，它能有效区分用户对话与旁人闲聊，避免背景噪声误触发；在儿童学习场景中，亦能持续跟随互动，不受背景电话声干扰。端到端人工评测数据显示，相比传统级联系统，SeedRealtime将抢话、回应延迟及噪声误触发等节奏问题减少了约50%，单次对话流畅完成的概率显著提升。未来，字节计划进一步优化端到端时延、主动感知决策及多人复杂场景理解能力，推动AI从单纯问答向真实场景下的持续环境理解与任务协助演进。这一技术路径的转变，或许标志着具身智能与人机交互正迈向更深层次的融合阶段。