大模型之家讯 8月5日，字节跳动Seed团队正式发布原生音视频全双工大模型SeedRealtime，采用统一架构原生融合音频、视频与文本，实现边看、边听、边说的实时交互体验。该模型具备三大核心能力：音视频联合理解（结合场景消解同音词歧义、理解视觉时序指代）、主动交互（察觉画面变化时主动提醒并调用工具）、流畅交互节奏（实时感知对话状态，抗干扰防误触发）。端到端人工评测显示，相比级联模型，SeedRealtime的音视频对话节奏问题减少一半，单次对话完整顺畅交流的概率明显提升。目前该模型已在豆包App全量上线，系业界率先实现音视频全双工技术规模化落地。
