字节发布SeedRealtime：原生音视频全双工大模型，支持“边看边听边说”

今日，字节跳动 Seed 团队正式推出 SeedRealtime，一款原生融合音频、视频与文本的全模态大模型。不同于传统的级联式架构，SeedRealtime 采用统一架构处理连续的多模态信息流，实现了真正的实时全双工交互，带来了“边看、边听、边说”的全新体验。

• 官方介绍：https://seed.bytedance.com/zh/seedrealtime

目前，该模型已在豆包 App 全量上线，用户更新至最新版本后，通过对话框内的“打电话”功能进入视频通话界面即可体验。

三大核心突破：从“被动响应”到“主动协作”

1. 音视频联合理解：所见即所闻

SeedRealtime 原生支持声音、画面与时序信息的深度融合。

• 消解歧义：结合视觉场景准确判断同音词含义（例如区分“苹果”是水果还是手机）。
• 时序指代：精准理解视频中随时间变化的动作或物体，让模型的感知与人类的视听体验同步。

2. 主动的交互能力：环境感知与工具调用

模型不再仅仅是等待指令的问答机器，而是具备持续的环境感知能力。

• 主动提醒：当察觉画面中出现关键目标或状态变化时，模型会主动发起提醒。
• 工具融入：能够根据上下文自动调用相关工具辅助表达，使交互从单向的被动响应升级为双向的主动协作。

3. 流畅的交互节奏：像人一样说话

SeedRealtime 能够实时感知用户的对话状态与交流节奏，实现自然的接话、停顿与回应。

• 抗干扰能力强：能有效分辨背景噪声和旁人闲聊，避免因误触发而打断正常交流。
• 节奏把控精准：显著减少“话未说完被抢断”或“话音已落却回应迟缓”的现象，保持沟通的连贯性。

性能验证：卡顿减半，流畅度倍增

端到端人工评测结果显示，相比传统的级联模型，SeedRealtime 的表现有了质的飞跃：

• 节奏问题减少 50%：模型对说话时机的把握更加自然，大幅降低了卡壳现象。
• 完整交流概率提升：单次对话能够顺畅完成整个交流过程的概率显著增加，用户体验更接近真实的人际沟通。