8 月 5 日，字节 Seed 发布了原生音视频全双工（能同时听和说的双向通道，不用像对讲机那样轮流说）大模型 SeedRealtime：一个统一架构同时融合音频、视频与文本，在连续的画面与声音流上实时交互——官方给它的定义是「边看、边听、边说」。而且不是纸面发布：已在豆包 App 全量上线，对话框里选「打电话」进视频通话就能体验。
三项核心突破，已在豆包全量上线
官方发布稿把 SeedRealtime 的能力归成三项核心突破，每一项都指向「实时交互」的老毛病。
第一，音视频联合理解。声音、画面与时序信息深度融合：遇到同音词，能结合当前画面消解歧义；你说「这个怎么弄」，它能顺着你的手势、视线和画面，判断「这个」指什么。
第二，主动交互。不再被动等你提问：画面里关键目标出现时（比如你交代「看到那件展品提醒我」），它会主动开口；还能调用工具，把查到的信息融进回答里。
第三，节奏把控。实时感知你的对话状态，在该接话时自然接话、该沉默时不打断；更关键的是抗干扰——能分辨旁人闲聊和背景噪声，不被无关声音误触发。
为什么「边看边听边说」这么难
要理解这次发布的分量，先看它之前的两条路卡在哪。
第一条路：级联系统（把任务拆给一串模块接力：先听、再看、最后说）。语音先交给 ASR（自动语音识别，把语音转成文字）转成文字，再交给视觉语言模型理解，最后由 TTS（语音合成，把文字变回语音）说出来——模块层层串联，延迟层层叠加，信息逐级损耗。
第二条路：端到端模型（一个模型直接从输入到输出，不拆模块接力）。更流畅，但官方指出不少方案仍依赖外置 VAD（语音活动检测，靠外部规则判断你说完没）判断轮次——本质上还是一问一答的半双工（同一时间只能一方说话的通道）。
SeedRealtime 的解法，是把声音、画面、时序与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，而是感知、理解、决策、表达同步进行。
难的不是听清，是知道何时开口
官方的技术拆解里，最反直觉的一点是：语音其实好办，视频才是难点。
语音天然有停顿，模型可以借停顿判断「你说完了，该我了」。但视频是始终在线、持续变化的：模型要不断理解画面里正在发生什么，又不能因为一点风吹草动就插嘴——它得持续判断：该关注哪个对象、该听谁说话、此刻是否应该回应。
这就是「抗干扰」的含金量。官方案例里有两个很说明问题：在大兴机场，同伴闲聊提到「老李的航班」，模型没有被这句无关对话触发；等用户正式问起，它才结合此前看到的大屏信息作答。陪孩子学英语时，背景里爸爸正在打电话、人声不断，模型却始终跟着孩子的手指纠音、造句——该出声时不迟疑，受干扰时不跑偏。
全双工的技术门槛，不在「听得多清」，而在「何时开口」。把轮次判断从外部规则收进模型内部，是这次发布真正跨过去的那道坎。
7 个官方案例里，最值得留意的三个
发布稿给了 7 个真实场景案例。抛开「认人」「翻译」这些直观能力，有三个案例最能体现「边看边听边说」的含金量：
博物馆「目标提醒」：你交代「看到错金银铜虎噬鹿屏座就提醒我」，它在镜头不断移动中持续留意画面，扫到展品就出声提醒，接着讲这件文物的工艺——任务保存在上下文里，目标出现即触发。
咖啡机「实时纠错」：你把整粒咖啡豆直接倒进萃取手柄，它当场指出「得先磨成细粉」；萃取结束，它看杯里油脂成色，主动建议「下次缩短 2-3 秒」——没人提问，它基于画面主动点评。
机场「闲谈记忆」：同伴闲聊提了一句「老李的航班」，它不误触发、但记住了；等你正式问，哪怕航班信息已经移出画面，它仍能调出大屏信息回答，还联网补上行李转盘位置。
这三个案例的共同点是：模型不再是「被问才答」，而是持续观察、适时介入。下面两段官方演示视频，分别对应博物馆提醒与机场闲谈记忆。当然，全部是官方演示场景，真实环境的翻车率要等你自己实测。
官方演示①：博物馆「目标提醒」——镜头扫过展品即出声提醒并讲解工艺 · 来源：字节 Seed 官方发布稿
官方演示②：机场「闲谈记忆」——不被无关闲聊触发，被正式问起时调出此前看到的航班信息 · 来源：字节 Seed 官方发布稿
今天就能体验，但要用「嘈杂」来试
体验门槛很低，但「怎么试」有讲究。
入口：把豆包 App 更新到最新版，对话框里选「打电话」，进视频通话界面即可。
试抗干扰：找个真实嘈杂场景（聚餐、地铁、带娃），开着背景声跟它聊，看它会不会被旁人闲聊带偏、会不会乱插话。
试主动性：给它一个「看到 XX 提醒我」的任务，看它能不能在画面扫过时准确触发。
记住口径：「节奏问题减少一半」是官方端到端人工评测的说法，尚无第三方复测；你的实测感受比任何跑分都可靠。
SeedRealtime 跨过的坎不是「听得多清」，而是「何时开口」。把看、听、说收进同一个端到端模型，让轮次判断从外部规则变成模型自己的持续决策——这是「对讲机式 AI」到「面对面式 AI」的分水岭。豆包已全量上线，对话框选「打电话」就能试；建议直接用你的嘈杂日常来考它，别信演示。
本文事实来自字节 Seed 官方发布稿（2026-08-05）。「对话节奏问题减少一半」为官方端到端人工评测口径，未见第三方独立复测；7 个案例均为官方演示场景。体验入口：豆包 App 最新版「打电话」视频通话。