字节发布音视频全双工大模型，已上线豆包
试想这个场景。你在人声鼎沸的机场候机。周围广播声、谈话声、小孩哭闹声混在一起。你掏出手机，对着豆包说：“帮我查一下航班动态。”传统AI语音助手大概率会懵掉——背景噪音太大，它根本听不清你的指令。更糟的是，旁边朋友插了句嘴，它可能就误以为是你在说话，突然打断。但豆包不会。2026年8月5日，字节跳动发布了SeedRealtime模型。这是业界首个原生音视频全双工大模型。已经全量上线豆包App。什么叫“原生”？多数竞品走的路线是“拼接”——先把你的话转成文字，再让大模型思考，再把答案转成语音。中间要过好几道手。延迟高、反应慢、还容易出错。SeedRealtime不一样。它把音频、视频、文本的感知和理解，全部塞进同一个模型里。端到端。不需要等“听完”再“想”，而是边听边看边回应。官方给了一组数据：和拼接方案比，SeedRealtime把对话里的抢话、反应迟钝这类节奏问题，砍掉了将近一半。你再想想博物馆那个场景。你举着手机拍一件文物。AI不是等着你问，而是主动开口：“这件青铜器，你注意看它底部的铭文。”这不是科幻。豆包现在的视频通话模式，已经能做到。你指着画面说“这个怎么弄”，它能结合你的手势和视线，准确判断你在指什么。遇到同音词，“梨”和“离”，看画面就知道你说的是水果还是动作。更绝的是，它能分辨你是在跟它说话，还是在跟旁边的人聊天。它知道什么时候该接话，什么时候该闭嘴听着。你说，那些还在实验室里“拆东墙补西墙”的竞品，慌不慌？
发布于 河南
分享
1
2
未登录
友善发言
评论
加载中
