字节跳动 8 月 5 日发布原生音视频全双工大模型 SeedRealtime。该模型以统一架构融合音频、视频与文本，支持在连续多模态信息流上实时交互，具备音视频联合理解、主动环境感知与流畅对话节奏三项核心能力。端到端人工评测显示，其音视频对话节奏问题较级联模型减少一半，"话未说完被抢断"等卡壳现象显著减少。目前该模型已在豆包 App 全量上线。
不同于传统级联系统依赖 ASR、VLM、TTS 多模块串联造成的延迟与信息损耗，SeedRealtime 将感知、理解、决策与表达纳入同一端到端模型同步进行，无需外置 VAD 判断轮次，可实现"边看、边听、边说"的全双工自然交互。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
THE END
暂无评论内容