字节跳动Seed团队8月5日正式发布了Seedance家族的新成员——SeedRealtime，一个原生音视频全双工大模型。和之前做视频生成的Seedance不同，SeedRealtime解决的是”实时交互”问题：让AI能同时看画面、听声音、跟你说话。
目前SeedRealtime已在豆包App全量上线，用户在对话框里选”打电话”就能进入视频通话界面体验。
为什么需要全双工
之前的音视频AI交互基本靠”级联系统”——语音识别、视觉理解、语音合成三个模块串联。问题是延迟层层叠加，信息每经过一次传递就损耗一点，体验上更像”一问一答”的半双工，没法真正实时对话。
SeedRealtime把声音、画面、时序和表达统一到同一个端到端模型里。不是先听完、再看完、最后作答，而是在连续的音视频流上让感知、理解、决策与表达同步进行。
官方的端到端人工评测显示，相比级联模型，SeedRealtime的对话节奏问题减少了一半，打断、迟滞和误触发等现象也显著减少。
三个核心能力
音视频联合理解：能结合当前场景消解同音词和模糊语音，持续理解画面变化。比如多人聚餐时，能根据外形特征把名字和人对上，在后续交谈中始终把声音和身份对应。
主动交互：不用等用户先开口。察觉画面状态变化时（比如关键目标出现），模型能主动提醒。在博物馆等移动场景中，能持续关注用户目标，适时主动讲解。
流畅的交互节奏：实时感知用户的对话状态和交流节奏，在适当时机自然接话、停顿与回应。在车站、机场等嘈杂环境中，能屏蔽无关干扰，分辨旁人闲聊与背景噪声，不因干扰误触发。
接下来要突破什么
Seed团队列出了几个方向：持续压缩端到端时延让打断、抢话、附和等微妙节奏被自然还原；更主动地判断何时提醒、何时补充；在嘈杂多人场景中稳定识别谁在说话、该回应谁；以及从”能对话”走向”能行动”——打通工具调用，让模型不仅能交流观察，还能协助查询、预订和任务办理。
现实环境中的音视频交流复杂而连续：背景嘈杂，人声重叠，画面随时变化，用户也会随时停顿补充。SeedRealtime的发布意味着AI交互开始走出清晰轮次的问答模式，向连续变化的真实场景迈进。
