字节跳动发布大模型SeedRealtime，原生融合音视频与文本

字节跳动于8月5日正式推出原生音视频全双工大模型SeedRealtime，用统一架构原生融合音频、视频与文本，能在连续的多模态信息流上实时交互，带来“边看、边听、边说”的全新体验。目前，SeedRealtime已在豆包App全量上线，在业界率先实现了音视频全双工技术的规模化落地。

音视频实时交互此前长期卡在两种形态之间：级联系统依赖ASR、VLM、TTS等多个模块串联，延迟层层叠加，信息逐级损耗；端到端模型虽更流畅，但不少方案仍依赖外置VAD判断轮次，本质上仍接近一问一答的半双工交互。

SeedRealtime的核心突破，在于将声音、画面、时序与表达统一到同一个端到端模型中。它不是先听完、再看完、最后作答，而是在连续音视频流上让感知、理解、决策与表达同步进行，使“听到的”和“看到的”能够共同参与每一次实时判断。