字节 SeedRealtime 发布：AI 第一次真正「边看边听边说」，还会主动开口提醒你——全双工从「语音」跨进「音视频」（2026年8月）

2026年8月5日中午，字节跳动 Seed 团队发布了原生音视频全双工大模型 SeedRealtime，并同步宣布：该能力已在豆包 App 全量上线。用户把 App 更新到最新版，在对话框里点"打电话"进入视频通话界面，就能直接用——不用申请，不用排队，不是内测名单。

这个发布很容易被淹没。就在过去八周里，国产大模型密集放出了五款重磅产品：阿里 Qwen3.8-Max（8月3日，2.4万亿参数）、月之暗面 Kimi K3、DeepSeek V4-Flash（7月31日）、智谱 GLM-5.2，以及字节自家的 Seedance 2.5。每一条新闻都在比参数、比跑分、比价格。

SeedRealtime 不在这条赛道上。它没有公布参数量，没有刷任何主流基准榜单，甚至连端到端时延的具体毫秒数都没披露。它改的是另一件事——人怎么跟 AI 说话。

这件事上一次发生重大变化，是2026年7月8日 OpenAI 用 GPT-Live 替换了 ChatGPT 的语音引擎。而 SeedRealtime 把台阶又往上抬了一级。

二、先分清三级台阶：半双工 → 音频全双工 → 音视频全双工

绝大多数关于"全双工"的讨论都糊在一起了。实际上这是三个不同的阶段：

注意第二行那个容易被忽略的事实：字节不是第一次做全双工。早在2026年4月，豆包就基于 Seeduplex 模型上线了音频全双工通话，比 OpenAI 的 GPT-Live 早了三个月。SeedRealtime 是这条技术线的第二步——从"只有耳朵和嘴"，变成"还长了眼睛"。

把这条脉络串起来看，比只看单次发布重要得多：字节在实时交互这条线上是连续投入的，不是临时跟风。

三、架构才是真正的分水岭：级联流水线 vs 原生端到端

要理解 SeedRealtime 的价值，得先看它替掉了什么。

传统做法：四个模块接力

过去的"AI 视频通话"基本都是拼出来的：

你的声音 → ASR 语音识别 → 转成文字
你的画面 → 视觉模型 → 转成文字描述
        ↓
     大模型思考 → 生成文字
        ↓
      TTS 合成 → 播放语音


外挂一个 VAD（语音活动检测）模块，负责判断"你说完没有"

这套流水线有三个绕不开的代价：

• 延迟层层叠加。每个模块几十到几百毫秒，四段串起来就是明显的"愣一下"。
• 信息层层损耗。你的语气、犹豫、画面里的一个手势，在被压成文字的那一刻就没了。文字是有损压缩。
• 轮次判断被外包。VAD 只能听声波能量，它分不清你是"说完了"还是"停下来想一下"。所有的抢话和迟滞，根源都在这。

SeedRealtime 的做法：一个模型全接住

SeedRealtime 用统一的端到端架构，把音频、视频、文本原生融合进同一个网络，在连续的多模态信息流上同步完成感知、理解、决策与表达，并且不再依赖外部 VAD 做轮次判断。

换句话说：不是"听完→看完→想完→说"，而是像人一样，眼睛耳朵嘴同时在工作，每一刻都在判断该继续说还是该让对方说。

这个架构差异不是学术洁癖。它直接决定了下一节那个数字。

四、"节奏问题减少约50%"，为什么比多考几分更值钱

字节公布的核心数据只有一个：端到端人工评测显示，相比级联模型，音视频对话中的节奏问题减少了约一半。同时，单次对话能够完整、顺畅进行的概率明显提升。

所谓"节奏问题"，具体是三类卡壳：

• 抢话：你话还没说完，它急着接。
• 迟滞：你说完了，它愣一两秒才开口。
• 误触发：旁人聊天、背景电视声、机场广播，它以为在跟它说话。

为什么这个数字比"某某基准提高 3 分"更值钱？

因为实时对话的门槛从来不是知识量，是时机（timing）。一个知识水平 95 分但总抢话的助手，用户用两次就关掉了；一个知识 85 分但节奏舒服的助手，能被天天用。语音交互这十年反复卡在同一个地方——不是 AI 不够聪明，是它不懂什么时候该闭嘴。

这也解释了一个现象：这类模型很难用传统 benchmark 衡量。MMLU、GPQA 这些题库测不出"分寸感"，所以目前只能靠人工评测——这既是行业的现实，也是后文"诚实边界"要展开的问题。

五、真正的新东西：AI 学会了"主动开口"

如果说全双工解决的是"不打断人"，那 SeedRealtime 最有产品意义的能力是反过来的——它会在你没提问的时候主动说话。

官方给出的几个场景：

这里面藏着一个交互范式的转折：从"被动响应"到"持续在场"。

过去的 AI 是一个工具：你调用它，它返回结果，然后它就不存在了。SeedRealtime 想做的是一个"一直在旁边的人"——它一直看着，判断什么时候值得开口。

还有一个被低估的细节：用视觉消解指代。你指着桌上某个东西说"这个怎么弄"，模型要结合当前画面、你的手势和视线，判断"这个"到底指哪个。指代消解是语音助手做了十年都没解决的老问题，因为纯音频里根本没有"这个"的答案。加上眼睛，问题的性质就变了。

反过来讲，知道什么时候闭嘴同样是能力。官方演示里，机场这种嘈杂环境中，模型能区分你和旁人的对话，不因背景噪声误触发；儿童学习场景里，不被背景电话声打断。这部分能力和"主动提醒"是一枚硬币的两面——都要求模型对"当下这一刻值不值得说话"有判断。

六、四款实时交互模型横评

2026年下半年，实时交互赛道已经跑出了四条明显不同的路线：

四家押的东西完全不同：

• OpenAI 押"对话智能"——全双工 + 后台委派大模型思考，聊天时不冷场，难题也不糊弄。代价是至今没有眼睛。
• Google 押"感知广度"——摄像头和屏幕共享早就上线，但对话仍是轮次制，边界检测会误判。
• Anthropic 押"深度与工具"——7月23日更新后可在 Opus / Sonnet / Haiku 之间切换，接 Gmail、日历、Slack，适合严肃长任务。
• 字节押"原生融合 + 主动性 + 规模化落地"——三级台阶里唯一走到第三级的，而且是直接推给所有豆包用户，不是灰度。

需要说清楚的是：这张表的多数条目来自各家官方描述与公开评测报道，四款产品之间不存在公认的统一基准，横向比较只能做定性判断。

七、同一天的另一条线：京东开源实时流式视频编辑

值得放在一起看的是，8月5日同一天，京东宣布开源自研的实时流式视频编辑模型 JoyAI-Video-Edit——用户可以一边看视频，一边改里面的人物和场景，视频创作从"先有素材再修改"变成"可实时互动编辑"。

两条新闻放在一起，指向同一个词：实时（realtime）。

回看2026年的节奏会更清楚：

• 上半年的关键词是"生成"：谁画得更好、谁的视频更长、谁的参数更大。Seedance 2.5 把单次生成拉到30秒，MiniMax H3 开源登顶视频编辑榜，可灵 Kling 3.0 做到原生 4K。
• 下半年的关键词正在变成"实时"：不是生成得多好，而是能不能在连续的流上即时反应——听着、看着、改着、答着。

这两条线其实会合流。生成模型解决"能做出什么"，实时交互解决"人怎么参与其中"。前者决定天花板，后者决定日活。

八、三类人现在该做什么

普通用户：今天就能试，挑这三个场景

把豆包更新到最新版，对话框里点"打电话"。最值得先试的三类：

• 看不懂的东西：外文菜单、说明书、药盒、仪表盘——举着摄像头问，比拍照上传快一个数量级。
• 需要陪着做的事：练口语、跟着菜谱做饭、组装家具。它能跟着你的进度走，而不是一次性把步骤念完。
• 需要被纠错的操作：调试设备、按流程操作。这是"主动提醒"真正比传统助手强的地方。

内容与教育从业者：注意"主动性"带来的新产品形态

持续监测 + 主动提醒这套组合，天然对应几种产品：陪练（口语、乐器、健身动作纠正）、导览（博物馆、展会、门店）、巡检（设备、流程合规）。

过去做这类产品，要么请真人，要么写死一堆规则脚本。现在成本结构变了。但要提醒一句：官方演示的都是成功案例，真实场景里"该提醒时不提醒"和"不该提醒瞎提醒"的比例，目前没有任何公开数据。做产品前必须自己压测。

开发者：现在还够不着，但要提前算一笔账

SeedRealtime 目前只在豆包 App 内可用，官方未公布 API 与定价。想做原型的话，现阶段的现实选择是 GPT-Live 的实时接口或 Gemini Live 的 Live API。

有一件事必须提前想清楚：实时多模态的成本模型和文本模型完全不是一回事。文本按 token 计费，一次调用几分钱；实时音视频按连接时长计费，而且摄像头流是持续消耗。一个"挂机十分钟"的陪练场景，成本可能是一次文本问答的几百倍。别拿 DeepSeek 或 Qwen 的文本价格直觉来估算实时产品的账。

九、三个诚实边界

边界一：所有数据都来自厂商自评

"节奏问题减少约50%"是字节自己的端到端人工评测结果。评测集怎么构成、对照的"级联模型"具体是哪一套、评测员规模多少、是否盲测——通稿里一个字没有。也没有第三方复现。

更根本的问题是：实时音视频交互目前不存在公认的公开基准。这不是字节一家的问题，是整个赛道的状况。所以任何"谁比谁强多少"的说法，现阶段都只能当作方向性判断。

边界二：关键参数一个都没公开

端到端时延（毫秒）、模型规模、是否开源、API 定价、并发能力——官方发布里全部缺席。

而且字节自己说了，"未来将继续优化模型的端到端时延、主动感知与决策能力、多人复杂场景理解能力以及工具调用能力"。这句话的潜台词很清楚：当下这四项都还不是最优状态。这是厂商难得的坦诚，值得当真。

边界三：常开摄像头这笔隐私账，还没人认真算

主动提醒能力的前提，是模型持续看着你的画面。这引出了几个必须回答但目前答案模糊的问题：

• 摄像头在什么条件下开启、什么时候真正关闭？
• 音视频流是实时处理后丢弃，还是留存？留多久？
• 这些数据会不会进入训练？用户能不能一键退出？

这不只是产品体验问题。欧盟《AI 法案》的透明度与告知义务已于8月2日生效，国内《个人信息保护法》对生物识别信息（人脸、声纹）本就有单独同意的要求。而 SeedRealtime 的"多人聚会识别不同人物身份"这个演示场景，涉及的是在场其他人的生物特征——他们并没有同意。

这道题不解决，这类产品在 to B 和出海场景上会一直有天花板。

十、拐点判断：三个正在发生的转向

第一，交互形态的竞争回来了。 过去两年，行业的注意力几乎全在参数、跑分和价格上。SeedRealtime 提醒了一件被忽略的事：用户体感的天花板，经常不在智能，而在交互。一个能力普通但节奏自然的助手，日活可能高过一个能力更强但总抢话的。

第二，"全双工"会像"多模态"一样，在一年内变成标配。 字节4月做音频全双工、8月做音视频全双工，OpenAI 已明确视觉输入"即将推出"，Google 的感知能力早就在线只差对话机制。这个窗口很短——今天的差异化，明年就是入场券。

第三，真正的护城河在"分寸感"，而参数买不到。 什么时候该接话、什么时候该沉默、哪些画面变化值得主动提醒、哪些是噪声——这些判断没法靠堆参数解决，只能靠海量真实场景的反馈慢慢调。而这恰恰是拥有豆包这种亿级 C 端入口的公司的结构性优势：它有别人拿不到的对话数据。

这也是为什么"全量上线"这四个字，可能比任何技术指标都重要。

常见问题（FAQ）

Q1：SeedRealtime 怎么用？要付费吗？ 把豆包 App 更新到最新版本，在对话框里选"打电话"，进入视频通话界面即可。官方宣布为全量上线，未提及付费门槛。

Q2：它和 GPT-Live 到底差在哪？ GPT-Live 是音频全双工，能边听边说、可被打断，难题会委派给后台大模型思考，但目前没有摄像头输入。SeedRealtime 是音视频全双工，能同时处理画面，还能主动提醒。简单说：GPT-Live 更"会聊"，SeedRealtime 更"看得见、会主动"。

Q3："全双工"和"能打断 AI"是一回事吗？ 不完全是。能打断只是全双工的一个表现。真正的全双工是模型在说话的同时仍在持续听、持续判断，每秒多次决定继续说还是让位——包括在你思考停顿时不抢话。很多号称"支持打断"的产品，底层仍是靠 VAD 检测轮次的半双工。

Q4：有 API 吗？开发者能接入吗？ 截至发布，官方只公布了豆包 App 内的落地，未公开 API 与定价。开发者现阶段做实时多模态原型，可先考虑 GPT-Live 或 Gemini Live 的实时接口。

Q5：它开源吗？参数多大？ 官方均未披露。这与字节在 Seed Audio、Seedance 等产品线上的一贯做法一致——以产品落地为先，技术细节披露有限。

Q6：这类产品最大的风险是什么？ 两点。一是主动提醒的误报：官方演示都是成功案例，真实场景中误提醒的干扰成本可能很高。二是隐私：持续开启摄像头意味着持续采集环境画面，涉及在场他人的人脸与声纹，合规压力显著高于纯文本产品。

数据来源

• 字节跳动 Seed 团队官方发布（2026年8月5日）
• 凤凰网科技、IT之家、新浪科技关于 SeedRealtime 的报道（2026年8月5日）
• 每日经济新闻《未来商业早参》关于京东 JoyAI-Video-Edit 开源的报道（2026年8月5日）
• 21世纪经济报道《中国大模型八周五连发》（2026年8月5日）
• GPT-Live、Gemini Live、Claude 语音模式的官方文档与公开评测报道（2026年7月）

本文数据截至2026年8月6日。文中涉及的厂商自评数据均已标注来源，未经第三方独立验证。产品能力与定价可能随版本更新变化，请以官方最新信息为准。