字节跳动发布SeedRealtime音视频全双工大模型，已上线豆包

字节跳动 Seed 今日推出原生音视频全双工大模型 SeedRealtime，该模型采用统一架构，原生融合音频、视频与文本，支持在连续的多模态信息流上实时交互，实现“边看、边听、边说”的体验。

SeedRealtime 的核心突破包括：

• 音视频联合理解：原生支持声音、画面与时序信息深度融合，能结合场景消解同音词歧义，并理解视觉中的时序指代。
• 主动交互能力：具备持续环境感知与主动表达，能察觉画面状态变化（如关键目标出现）时主动提醒，并可调用工具融入表达。
• 流畅交互节奏：实时感知对话状态与交流节奏，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。

端到端人工评测显示，相比级联模型，SeedRealtime 的音视频对话节奏问题减少一半，模型对说话时机把握更自然，单次对话完整顺畅交流的概率明显提升。

目前，SeedRealtime 已在豆包 App 全量上线，用户更新至最新版本后，在对话框选择“打电话”进入视频通话界面即可体验。