字節跳動 SeedRealtime：邊睇邊聽邊講，AI 對話終於似真人

字節跳動嘅 Seed 團隊喺 2026 年 8 月 5 日 正式推出 SeedRealtime，係一個原生音視頻全雙工大語言模型，可以同時睇、同時聽、同時講 。同傳統嗰啲分開用語音辨識、視覺模型、語言模型同文字轉語音嘅做法唔同，SeedRealtime 採用 統一嘅端到端架構，原生融合咗音頻、視頻同文字，做到同步感知、理解、決策同表達——字節跳動話呢個就係「邊睇、邊聽、邊講」嘅體驗 。

SeedRealtime 同傳統語音助手有咩分別？

傳統語音助手係一條 串聯管道：錄音入去先經 ASR（語音轉文字），傳去視覺模型（如果要用），然後送去 LLM，最後先由 TTS（文字轉語音）輸出。每一次交接都會增加延遲，而且每次過界都會流失一啲上文下理 。

SeedRealtime 呢個新模型有四個主要優勢：

• 統一嘅端到端架構——原生融合音頻、視頻同文字，消除咗多個模塊之間嘅延遲同資訊流失
• 音視頻聯合理解——模型可以利用視覺場景嘅上下文去分辨同音字（例如「寫字」同「右手」，佢睇到畫面就分到），仲可以準確理解片入面嘅時間指代
• 主動式互動——模型會持續感知環境，當畫面出現變化（例如目標物件出現）就可以主動提醒用戶，仲可以呼叫外部工具
• 自然嘅對話節奏——模型會實時感知用戶嘅對話狀態同節奏，喺適當嘅時候插嘴、停頓同回應，而且好擅長抵抗背景噪音同旁邊嘅閒聊聲

技術難題：點樣解決對話節奏？

SeedRealtime 最大嘅技術突破，係解決咗 「幾時講、幾時聽」 呢個問題。傳統嘅輪流式（半雙工）助手要等用戶靜咗一陣先敢回應——結果一係搶住講，一係就呆咗 。

SeedRealtime 嘅全雙工架構令到佢可以：

• 實時感知用戶嘅對話狀態同節奏
• 分得清用戶係特登停頓定係諗緊嘢
• 忽略旁邊嘅閒聊同背景噪音，唔會亂咁觸發
• 喺人類覺得自然嘅時候給予回應或者插嘴

端到端嘅人工評測結果顯示，同串聯模型比較，SeedRealtime 嘅音視頻對話節奏問題 減少咗一半。之前成日出現嘅「未講完就畀人搶住講、講完嘢但回應遲緩、或者畀背景雜音亂觸發」呢啲情況明顯少咗，而一次對話可以完整順暢完成嘅機率就顯著提升 。

SeedRealtime 點樣繼承 Seeduplex？

SeedRealtime 係字節跳動之前全雙工技術 Seeduplex 嘅 多模態升級版。Seeduplex 喺 2026 年 4 月 9 日 推出，係字節跳動首個原生全雙工 純語音 LLM——佢可以同時聽同講，突破咗之前半雙工嘅模式 。

Seeduplex（2026 年 4 月 9 日）	SeedRealtime（2026 年 8 月 5 日）
純語音全雙工	音頻 + 視頻 + 文字全雙工
語音方面做到「邊講邊聽」	同時「邊睇、邊聽、邊講」
單一模態（語音）	統一多模態架構

SeedRealtime 繼承咗 Seeduplex 嘅核心突破——原生端到端全雙工處理——再延伸至加入 即時視覺理解，令模型唔單止聽到你講乜，仲睇到你做緊乜 。

SeedRealtime 喺邊度用到？

SeedRealtime 已經 全面喺豆包 App 上線，所有用戶都用得。只要將豆包更新到最新版本，然後喺「打電話」功能入面進入視頻通話界面，就可以體驗即時音視頻 AI 互動 。

字節跳動仲示範咗幾個應用場景：喺聚會入面認得出邊個打邊個，追蹤邊個喺度講嘢；幫外國遊客即時理解中文菜單同侍應嘅介紹；喺博物館持續觀察展品，當指定文物出現就主動通知；幫用戶操作咖啡機，睇到畫面變化就即時糾錯；閱讀論文時監測翻頁，當指定章節出現就自動提示 。

字節跳動 2026 年嘅 AI 產品組合

SeedRealtime 只係字節跳動加速推出 AI 模型嘅一部分。Seed 團隊喺 2025 年中到 2026 年中已經推出咗多款模型：

模型	類別	推出日期	主要功能
Seed 2.1（豆包 2.1 Pro）	大語言模型	2026 年 6 月 23 日（火山引擎 FORCE）；可經 API 使用	通用 LLM；定價約 $0.88/M 輸入 tokens、$4.42/M 輸出 tokens
Seedance 2.5	視頻生成	2026 年 7 月 31 日	一次性生成 30 秒 4K 影片；接受多達 50 個多模態參考；可按時間標記編輯
Seedream 5.0 Pro	圖片生成	2026 年 6 月 23 日預覽；「即將推出」	新一代圖片生成模型
Seed Audio 1.0	音樂/音效生成	2026 年 6 月 29 日	文字轉音頻模型，可生成音樂同音效
SeedRealtime	全雙工音視頻 LLM	2026 年 8 月 5 日	原生音視頻全雙工互動

呢啲模型，連同 Seeduplex（2026 年 4 月 9 日），組成咗字節跳動嘅 全棧 AI 生態系統，涵蓋語言、圖片、視頻、音頻生成同即時多模態互動 。