字节 Seed 发布 SeedRealtime，一个能边看、边听、边说的端到端音视频模型，已在豆包上线

字节 Seed 发布 SeedRealtime 音视频全双工大模型，走向全模态自然交互

SeedRealtime 把语音、画面和文字塞进了同一个模型里，不再走“先听写、再看图、最后念稿”的老路。它能在连续的音视频流里实时判断什么时候该接话、该盯着谁，官方说端到端人工评测里，抢话、迟回、被背景闲聊误触发的节奏问题比级联方案少了一半。几个演示场景挺具体：聚餐时能记住每个人的声音和脸，逛博物馆看到指定展品会主动出声提醒，冲咖啡时发现你把整粒豆子...

推荐理由：我会先打个折：正文没给延迟、并发成本这些工程硬指标，所以不能直接说“省了多少钱”。但这条消息值得上 featured，因为字节跳过了“先 ASR 再 LLM 再 TTS”的拼接方案，直接训了一个原生音视频全双工模型，并且端到端评测给出了节奏问题减半的量化结果。几个演示场景（聚餐认人、博物馆提醒、冲咖啡纠错）把“全模态交互”从论文拉到了产品里，豆包 App 全量上线也说明这不是实验室 demo。对从业者来说，这是第一个能摸到的音视频全双工大模型产品，工程参考价值大于论文本身。