字节SeedRealtime上线，AI开始"边看边听边说"
8月5日，字节跳动Seed团队发布原生音视频全双工大模型SeedRealtime，并在豆包App全量上线。所谓"全双工"，指的不是轮流发言，而是AI能在连续的信息流里同时完成感知、理解、决策和表达——看着画面、听着声音、随时开口，像真人对话一样。
和过去的AI视频通话有什么不同
过去的AI视频通话是一串模块接力：先用语音识别把声音转成文字，再交给视觉模型看画面，文本模型想清楚后，最后由语音合成念出来。链路一长，延迟层层叠加，声音、画面、文字之间的细节也在一次次转换中损耗。SeedRealtime不再拆开这些步骤，而是用统一架构把声音、画面、时序和表达压进同一个端到端模型，也不再依赖外部语音活动检测来判断"该谁说话"。
字节披露的端到端人工评测显示，相比级联系统，SeedRealtime把音视频对话里的节奏问题减少了大约一半——抢话、回应迟滞、被背景杂音误触发这些卡壳现象明显下降，单次对话完整顺畅进行的概率也更高。
三个核心能力对应三个场景
第一是音视频联合理解。模型把声音、画面和时间线深度融合，你指着屏幕说"这个怎么弄"，它能结合画面和手势判断"这个"指什么；遇到"bank"这类同音词，它靠画面区分是银行还是河岸。第二是主动交互。模型持续观察环境，状态变化时会主动开口——官方演示里，它在博物馆盯着展品，认出指定文物后主动讲解；你操作咖啡机时，它根据画面变化实时纠错。第三是流畅节奏。在机场等嘈杂环境，它能分辨你是在和旁人闲聊还是在对它说话，不因无关声音误触发，也不会一直沉默。
这些能力对应的应用场景已经相当具体：多人聚会中识别不同人物并对应发言者、帮外国游客实时理解中文菜单、陪孩子学习时不受背景电话干扰。豆包把这套能力铺到全量用户上，是业界首次把音视频全双工技术做到这个量级——截至2026年6月，豆包月活跃用户3.82亿。
四个月，从"只听只说"到"边看边说"
这次发布是字节在实时交互上的连续动作。今年4月9日，字节先发布了语音全双工模型Seeduplex，同样在豆包全量上线。当时的A/B实验显示，用户通话满意度绝对值提升8.34%，误打断率减半，抢话比例下降40%。从Seeduplex到SeedRealtime只隔了四个月，交互从"只听只说"走到了"边看边听边说"。字节表示，后续还将继续优化端到端时延、主动感知与决策能力、多人复杂场景理解以及工具调用能力——言下之意，实时多模态交互还在快速迭代期，眼下看到的只是起点。
对品牌内容意味着什么
从4月的语音全双工模型Seeduplex，到8月的SeedRealtime，字节只用了四个月。这条产品线的节奏说明：AI交互正从"你问我答"走向"它也在盯着看"。对企业来说，两个变化值得提前准备。一是用户的触点会从文字问答扩展到视频通话、实时互动，品牌信息能不能在"被看到"的场景里被准确表达，成为新的课题；二是多模态内容（产品视频、操作演示、图文规范）的价值在上升——AI要理解并引用一个品牌，依赖的正是这些结构化、可核验的素材。
本文事实来自字节跳动Seed官方信息及上海证券报、凤凰网科技、每日经济新闻等媒体的报道，豆包用户数据引用QuestMobile与火山引擎披露口径。
信息来源
- 上海证券报·中国证券网：《字节跳动发布音视频全双工大模型SeedRealtime》，2026年8月5日，cnstock.com
- 凤凰网科技：《字节跳动发布SeedRealtime音视频全双工大模型，可实现边看边听边说实时交互》，2026年8月5日，163.com
- 腾讯新闻：《字节SeedRealtime上线：AI首次真正"边看边听边说"》，2026年8月6日，new.qq.com