字节推出SeedRealtime大模型华尔街日报

向全模态自然交互阶段过渡。

8月5日，字节跳动正式推出原生音视频全双工大模型SeedRealtime，并宣布该模型已在豆包App全量上线。用户将豆包更新至最新版本后，可通过“打电话”功能进入视频通话界面，体验实时音视频AI交互。

SeedRealtime采用统一端到端架构，原生融合音频、视频与文本三种模态信号。

与此前业界主流的级联系统不同，后者依赖自动语音识别（ASR）、视觉模型、语音合成（TTS）等多个模块串联，感知、理解和表达分属不同环节，延迟层层叠加，SeedRealtime将声音、画面、时序与表达统一到同一个端到端模型中。模型不再依赖外部语音活动检测（VAD）进行轮次判断，而是在连续的多模态信息流上同步完成感知、理解、决策与表达。

字节方面披露，SeedRealtime在三个方向实现了关键突破。

首先是音视频联合理解。

模型原生支持声音、画面与时序信息的深度融合，能够结合场景消解同音词歧义，也能准确理解视觉中的时序指代。用户说“这个怎么弄”时，模型需要结合当前画面、手势与历史动作判断“这个”具体指向什么。

其次是主动交互能力。

模型具备持续的环境感知与主动表达能力，能在察觉画面状态变化时主动提醒，并能调用工具融入表达。官方演示中，模型可在博物馆持续观察镜头画面、识别指定文物后主动提醒，也可在用户操作咖啡机时根据画面变化实时纠错。

第三是流畅的交互节奏。

模型能够实时感知用户的对话状态，在适当时机自然接话、停顿与回应；同时具备抗干扰能力，能分辨旁人闲聊与背景噪声，避免误触发。在机场等嘈杂场景中，模型能够区分用户与旁人的对话。

字节披露的端到端人工评测数据显示，相比传统级联系统，SeedRealtime将音视频对话中的节奏问题减少约一半。“话未说完被抢断、话音已落却回应迟缓，或是被背景杂音与闲聊误触发”等卡壳现象均有明显下降。同时，单次对话能够完整、顺畅交流的概率也有明显提升。

从行业基本面来看，SeedRealtime的推出符合今年基础模型的演进趋势。自今年上半年以来，头部企业的竞争焦点已明显从单纯追求参数规模，转向多模态实时交互的商业化落地。

豆包App是字节跳动在C端市场的核心AI产品。此次在端内快速全量上线全双工大模型，其业务逻辑在于通过降低交互门槛，进一步争夺用户规模与应用内的停留时长。

不过，音视频全双工技术的常态化运营仍面临直接的工程与商业挑战。连续多模态信息流的实时处理，对云端算力和网络带宽的消耗呈指数级增长。

在C端海量并发请求的场景下，如何将模型的推理成本控制在商业可接受的范围内，是包括字节跳动在内所有AI研发企业必须跨越的门槛。

另一方面，市场对视频通话类AI的真实需求黏性仍需打个问号。主动提醒、实时视频交互等功能，在特定场景下是否会造成用户的体验冗余甚至打扰，目前尚无定论。

SeedRealtime能否在新鲜感褪去后，沉淀出具有高频、刚需属性的核心应用场景，多模态应用生态能否就此闭环，还需要后续真实的留存数据来验证。