不知道大家有没有这种感觉，每次想和 AI 好好说句话，总觉得哪哪儿都拧巴。
特别是，和 AI 们直接语音沟通时，你能很明显的感觉出来 AI 和人的差别。
因为说到底，现在的 AI 语音更像在玩回合制游戏，你说话它闭嘴，它说话你挨听。
你不能自然地停顿、插话，它也分不清你是在跟它说话，还是在跟旁边的人说话。
这种交互上的硬伤，直接把 AI 死死钉在了答题机和代码工具的生态位上。
上个月，OpenAI 就推出了 GPT-Live，可以做到在说话的同时持续听取用户输入，获得了外界不少好评。
但不少人表示，这有啥，都是玩剩下的了，因为早在今年 4 月，豆包的语音通话模式中，就已经升级了这一功能。
前两天，豆包更是反手直接升级了自家的视频通话能力，接入了原生音视频多模态全双工大模型 SeedRealtime，说是能支持更好的音视频理解，抗干扰和打断判停能力。
这个所谓的全模态全双工交互模型，核心就是一件事，针对咱们前面说的几个拧巴的地方，回合制对话的模式，进行大版本调整。
听起来有点意思了，于是咱们也马上找几个真实场景试了试。
毕竟技术再好再高大上，咱们更关心的，其实还是这些新能力到底实不实用，用起来能不能更顺、更省心，真遇到事儿时能不能帮上忙。
先来个基础的，看看新版本的豆包视频电话，到底还是不是回合制游戏。
你还真别说，现在这个版本的豆包更聪明了，之前视频的时候，它就像一个单线程生物，耳朵和嘴巴只能有 1 个在工作，它如果开口说话，就很难听见你的新指令；当它在听你说话的时候，那它就没法思考。
如今的豆包就好很多，哪怕在叭叭叭的说话，但只要听到你的声音，它立马住嘴，还会根据你的新提问修改。
而且，你们也能从这个测试视频里看出来，它对人类的提问、断句判断更好了。
以前，你可能只是卡壳了一下，整句话并没有说完，它却 get 不到，自顾自地就开始回答你，但现在，它基本上都能分辨得出你到底说没说完，对话过程更像和一个小姐姐在面对面聊天。
不仅如此，现在的豆姐确实有了更强的抗干扰能力。
搁以前，它像长了个顺风耳一样，身边有点其它动静，很容易误判是你的新指令，转头去回应那些杂音了，但现在，它像是有了声纹解锁一样，基本做到和你 1 对 1 私聊。
而且，我们还发现，如今的豆包视频的识别速度杠杠的。
比如下面这个视频，我们在玩一个小游戏的时候，让它帮我们进行武将选择，就咱这滑动的速度，结果豆包的识别又快又准。
在测试中，我们还发现，哪怕面对在编辑部玩游戏，一个人在前面打，后面坐着几个狗头军师的情况。
豆包也完全能 hold 住这样多人对话的复杂场景，它能随时随地在线听大家伙说话，清楚地分辨出说话对象、内容。
就连沉浸操作的同事小声嘀咕了一句 “ 怎么冲刺 ”，都被豆包精准抓包，然后打上了一个不怎么会玩的标签。
接下来，我们给豆包上了点强度，刚好编辑部在装测试平台，我们让豆包当个装机高手，指导下该怎么操作。
结果豆包只是简单扫了眼，就知道这台测试平台进度如何。
紧接着，我们发现，豆包除了能在装机过程中指导怎么做，还能在误操作时，主动提醒。
豆包甚至还超有眼力见，实时盯着我的手部动作，在装内存条的时候，主动提前提醒注意正反面，而且别用蛮力硬怼。
而且我们发现，豆包完全可以全流程跟踪装机这种大型任务，因为就在我们根据豆包的指导装完显卡，觉得大功告成准备收工时。
这哥们儿居然查漏补缺了：你丫的显卡的供电线还没接呢！
甚至连角落里最容易被忽略的主板 CPU 供电线，都被豆包发现了，主打一个你随便折腾，哥们兜底。
而且在这个过程中，我们还发现了豆包强大的记忆功能。
因为全程开着视频，等我们装完测试平台，准备离开影棚的时候，想起来有台测试机不知道放哪儿了。
于是，我突然想到，有没有可能豆包知道，结果它还真记着了。
要知道，这可不仅是听懂话，而简直就是 AI 磕了哆啦 A 梦的记忆面包。
我就问，平时和真正的人类打电话，谁会帮你记自己随手放的东西？但豆包偏偏就帮你盯在眼里了。
如果说装机只是在影棚里的极客游戏，那在人声鼎沸、流程复杂的真实医院里，豆包还顶得住吗？
于是，我们把豆包带到了医院，想试试，更新完的视频能力能不能辅助一些老人等特殊人群，在大医院里独自看病。
到医院门口后，咱主打一个两眼一抹黑，问豆包先去哪儿取号。
豆包表示，面前的这个人工挂号窗口，或者边上的自主取号机取号就行。
而且，豆包还贴心地给了建议，告诉我们如果提前预约好了，人工窗口排队人多，那还是选自助取号比较方便。
按照引导取好预约号之后，常见的问题就是不知道该怎么上楼找到自己的诊室，特别是一些大医院，很容易把病人给绕晕了，但现在，你只要给豆包看一看，它会告诉你怎么走。
同样的，到了诊室门口，现在很多医院都得先签到才会进入排队队列，但不同医院、科室的签到、报到规则、机器都不大一样，不少人都会傻眼，豆包就能一眼告诉你怎么操作。
我们整一个测试下来，从医院大门开始，豆包一步步带我们去自助机取号、然后找到电梯到达指定楼层、签到。。。除了路过的护士小姐姐和路人，会用奇怪的眼光观察世超，几乎挑不出任何毛病。
所以，在取号、找楼层、识别签到设备这些流程性任务上，豆包已经能提供全程陪同的帮助。
所以，总得看下来，豆包的视频能力确实有了不小的提升，但在我们看来，最有意思的进步并不是豆包能多认几个东西、或者说能更快地进行反应，而是它真的在尝试理解你的语气、声音等等，真学会了像人一样和人沟通。
咱们也去研究了一下，为啥现在豆包的视频能力进步得这么快，发现真正的功臣就是它底层的 SeedRealtime。
以前 AI 里所谓的视频通话，本质上都是流水线：
AI 先听到声音，然后转成文字，看一眼屏幕截图，综合起来处理思考，最后生成语音回答。
这种串联思路，每个步骤的反应处理再快，连起来就显得慢半拍。
但 SeedRealtime 最狠的一点，是将声音、画面、时序与表达，全都融进了一个端到端模型。
这么一来，看听说在同一套系统里进行，不分步骤不分前后，AI 就能通过手势和现场画面，秒懂你说的 “ 这个，内个儿 “ 指的是啥，也才能精准地过滤掉旁人的杂音。
同样的，能持续理解视频里的场景变化，AI 也就能分得清啥时候该闭嘴，啥时候能主动开口提醒了。
最后，给人的表现就是懂得察言观色，像个真正的人了。
在搞明白了这些底层逻辑后，你就会发现，豆包这次展现出来的能力，也是目前整个 AI 行业死磕的方向之一。
隔壁的海外大厂们也在提实时语音、多模态交互和思考模型，除了咱们前面提到的 GPT‑Live，OpenAI 也还拿出 Thinking Machines 露脸，但它的功能还在演示阶段、没法让公众随手敞开了用。
所以豆包的这个音视频全双工能力，才是真正开始往我们期待的贾维斯方向进化了。
当然了，这离贾维斯还有不少距离，现在你还得到处举个手机，视频通话也受网络、续航等等条件。
但至少从这次体验看，AI 助手正在从 “ 你问一句、它答一句 ”，变成一个能边看、边听、边协助的角色。
再多说两句，咱们突然觉得手机这个形态，有点制约未来 AI 的能力了，如果这个视频能力未来可以跳出到手机以外，像是智能眼镜、手环、AI 小硬件 （ 当然，得搞定续航、散热、网络、算力等等问题 ），或许真是一个完全崭新的原生 AI 世界了。
所以，不久的将来，如果看到谁在大街上嘀嘀咕咕，别以为人家是魔怔了，或许他正在和豆包打电话呢。
