# 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

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

- 来源：AI HOT 精选
- 发布时间：2026-08-04T16:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/48759
- 原文：https://seed.bytedance.com/zh/blog/seedrealtime-%E9%9F%B3%E8%A7%86%E9%A2%91%E5%85%A8%E5%8F%8C%E5%B7%A5%E5%A4%A7%E6%A8%A1%E5%9E%8B%E5%8F%91%E5%B8%83-%E8%B5%B0%E5%90%91%E5%85%A8%E6%A8%A1%E6%80%81%E8%87%AA%E7%84%B6%E4%BA%A4%E4%BA%92

## 摘要

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。

## 推荐理由

字节 Seed 发布 SeedRealtime，把语音、画面和文字放进同一个模型，在连续音视频流里实时判断接话时机，官方端到端评测显示抢话、迟回等节奏问题比级联方案少一半。

## 锐评

节奏问题比级联少了一半，这个指标比回答有多准确更要紧。做音视频交互就怕卡顿得像对讲机，以前把听写、看图和念稿串在一起，中间各走一道延迟，对话经常抢话甚至被旁人闲聊误触发。

端到端把语音和画面放进同一个模型实时判断，接话节奏顺了，大家才愿意持续聊下去。敢直接上线豆包跑真实业务，我看字节对这套全双工的工程稳定度挺有底气。
