字節 Seed 甩出 SeedRealtime：音視頻全雙工大模型上車豆包，邊看邊聽邊說不再"卡拍"

字節跳動旗下 Seed 團隊近日發表全新全雙工大模型 SeedRealtime，採用統一架構原生整合音訊、視訊與文字，目標實現「邊看、邊聽、邊說」的即時自然互動體驗。這項技術已不再停留於實驗階段，而是直接搭載於豆包 App 全量上線，成為業界率先將音視訊全雙工能力推向大規模應用的案例。SeedRealtime 最核心的突破在於架構設計。傳統的級聯方案通常依循「聽取—轉寫—思考—表達」的線性流程，感知與表達分屬不同模組，導致對話節奏容易出現斷層，使用者經常感受到搶話、停頓突兀或答非所問的割裂感。

SeedRealtime 則將音視訊的感知與表達統一整合至同一個端到端模型，讓模型能同時接收畫面與聲音，並直接生成回應，省去中間轉換與拼接的步驟。這種原生融合帶來的直接效益，是音視訊對話中的說話節奏問題顯著減少約一半。具體而言，過去常見的搶話、停頓不自然或回應偏離語境的狀況大幅改善，對話流暢度明顯提升。更關鍵的是，SeedRealtime 在即時互動中展現出類似真人對話的「分寸感」——它能夠主動打斷提醒，也能自然停頓，在語句之間留下適當的呼吸間隙，而非一股腦將所有話說完，讓對話體驗更貼近人與人之間的自然交流。

對全模態智慧助手而言，SeedRealtime 的出現代表一條全新的技術路線：不再依賴將多個單模態模型以管線方式串接，而是讓單一模型同時具備視覺、聽覺與口語表達能力，從根本上解決多模態互動中的延遲與不協調問題。這項技術的落地，也為 AI 助手的即時互動場景樹立了新標竿。豆包 App 作為字節跳動旗下重要的 AI 產品，近期不斷擴充功能模組。除了 SeedRealtime 帶來的即時對話升級，豆包也在今年六月推出內建「豆包導航」功能，底層採用百度地圖技術，實現端內原生導航體驗，並根據步行、騎行、駕車等不同場景提供差異化服務，進一步拓展 AI 大模型在日常生活出行中的應用邊界。

根據市場消息，豆包的日均活躍用戶已超過 2 億，但每日收入卻不足百萬，主要依賴電商佣金變現，商業化結構相對單一。截至今年五月，豆包的日均算力成本已達數千萬元，收入遠無法覆蓋營運支出，經營壓力不容小覷。這也使得字節跳動的 AI 資源配置可能逐漸向企業端傾斜，以尋求更穩定的商業模式。除了即時對話與導航，豆包 App 近期也在視覺推理能力上迎來重大升級。圖片分析功能現已支援深度思考模式，使用者只須拍攝或上傳一張圖片，豆包便能自動進行放大、裁剪等精細處理，並結合圖片搜尋功能，實現「邊想邊搜」，進一步提升搜尋結果的準確性，為用戶提供更智慧的視覺互動體驗。

在底層技術研發方面，字節跳動今年六月也發布了創新圖像合成技術 XVerse，能夠對多個獨立個體進行精確控制，實現高保真度的多主體圖像生成。這項技術採用獨特的 DiT 調製方法，在不影響整體圖像潛在特徵的條件下，分別調控每個主體的身分與語義屬性，使用者只需簡短的文字描述，即可產出符合預期的高品質圖像，為個性化內容創作提供更靈活的工具。此外，字節跳動在 AI 影片生成領域亦有所進展，今年八月發表了全新 AI 影片模型 Waver 1.0，支援文字與圖像轉換為影片，功能全面。該模型在生成品質與效果上超越現有開源及閉源模型，在 Waver-Bench 1.

0 與 Hermes Motion Testset 測試中表現優異，尤其在運動品質、視覺品質與提示跟隨性方面獲得顯著成績。整體而言，SeedRealtime 的問世不僅是字節跳動在即時多模態互動技術上的重要里程碑，也為整個 AI 助手產業提供了新的發展方向。隨著豆包 App 持續整合更多感知與表達能力，使用者與 AI 的互動將愈發自然、即時且流暢，不再受限於傳統對話系統的延遲與結構性限制。未來，這項技術有望廣泛應用於教育、客服、娛樂、遠距協作等場景，推動 AI 助手從工具型角色向真正的智慧夥伴邁進。