字节跳动Seed发布原生音视频全双工大模型SeedRealtime，实现“边看、边听、边说”自然交互

SmartHey8月5日消息，字节跳动 Seed 今日宣布推出原生音视频全双工大模型 SeedRealtime，正式迈向全模态自然交互新阶段。

SeedRealtime 采用统一架构，原生融合音频、视频与文本三模态信号，可在连续多模态信息流中实现实时、低延迟交互，为用户带来“边看、边听、边说”的沉浸式自然对话体验。该模型在以下三大方向实现关键突破：

音视频联合理解：深度整合声学特征、视觉帧序列以及时序语义，支持跨模态联合消歧——既能结合画面场景精准区分同音词，也能理解视频中动态指代（如手势指向、视线焦点等），真正打通视听语言与表达意图。

主动的交互能力：具备持续环境感知与自主表达能力。当模型识别到画面关键变化（例如目标人物入场、物体状态切换）时，可主动发起提示；并能按需调用外部工具（如信息检索、图像分析）增强表达，推动人机交互从单向响应跃升为双向协作。

流畅的交互节奏：实时建模用户语音起止、停顿节奏与语境状态，实现更符合人类习惯的接话时机、自然停顿与上下文延续；同时强化噪声鲁棒性，可有效区分旁人对话与背景杂音，大幅降低误唤醒与干扰中断，保障沟通连贯性与舒适度。

端到端人工评测表明：相较于传统级联式音视频处理方案，SeedRealtime 将对话节奏类问题（如抢话、迟应、误触发）减少50%；单次对话全程顺畅完成率显著提升，交互拟真度与自然度达行业新高。

目前，SeedRealtime 已在豆包 App 全量上线，成为业内首个实现音视频全双工技术规模化商用的大模型应用。用户只需将豆包 App 更新至最新版本，在聊天界面选择“打电话”功能，进入视频通话模式即可即刻体验。