问AI · 全双工技术规模化落地将如何影响行业？
IT时代网8月5日消息，字节跳动Seed今天宣布推出原生音视频全双工大模型SeedRealtime。按官方的说法，这是在往全模态自然交互的方向走。
SeedRealtime用统一架构把音频、视频与文本原生融合到一起，能在连续的多模态信息流上实时交互，带来"边看、边听、边说"的体验。
官方列了三项核心突破。第一项是音视频联合理解，原生支持声音、画面与时序信息的深度融合。模型既能结合场景消解同音词歧义，也能准确理解视觉中的时序指代，让所见、所闻与所说融为一体。
第二项是主动的交互能力。模型具备持续的环境感知与主动表达能力，察觉画面状态变化时（比如关键目标出现）会主动提醒，还能调用工具融入表达。交互形态由此从被动响应变成了主动协作。
第三项跟对话节奏有关。模型能实时感知用户的对话状态与交流节奏，在合适的时机自然接话、停顿与回应；抗干扰能力也做了加强，能分辨旁人闲聊和背景噪声，不会被这些干扰误触发。
端到端人工评测的结果显示，相比级联模型，SeedRealtime的音视频对话节奏问题减少了一半。话没说完被抢断、话音落了却回应迟缓、被背景杂音与闲聊误触发——这些让人别扭的卡壳现象明显少了；单次对话能完整顺畅走完的概率也有提升。
目前SeedRealtime已经在豆包App全量上线，把App更新到最新版本，在对话框内选择"打电话"进入视频通话界面就能体验。按字节方面的说法，这是业界率先把音视频全双工技术做到规模化落地。
该图片疑似使用了AI生成技术，请谨慎甄别
注：本文中包含AI辅助创作的内容。