OpenAI 还在语音全双工，字节跳动 SeedRealtime 已让 AI 边看边听边说

"边看边听边说"，这一次 AI 真的长眼睛了

8 月 5 日，字节跳动 Seed 团队正式推出原生音视频全双工大模型 SeedRealtime，随即在豆包 App 全量上线。来源

用户将豆包更新至最新版本，在对话框选择"打电话"即可进入视频通话——屏幕那头的 AI 不再只是语音助手，它同时在接收画面、声音与文本，并在恰当的时机开口说话。

字节跳动称，这是在业界率先实现音视频全双工技术的规模化落地。

TestingCatalog 一条推文 7 万围观，评论区追问"开源吗"

消息最先由 AI 资讯账号 TestingCatalog（@testingcatalog，7.2 万粉丝）在 X 平台引爆。其推文称 SeedRealtime 以统一架构融合音频、视频与文本，并标注"已在豆包 App 免费上线"。来源

该推文获得 7 万次浏览、665 次点赞、56 次转发，评论区有用户追问"开源吗？"。

科技简报 TLDR Newsletter（12.2 万粉丝）随后跟进报道，指出该模型已上线豆包视频通话模式。来源 第一财经（@yicaichina，20.7 万粉丝）来源 与 TechNode 来源 分别发布了中英文报道。

X 用户 @blockphd7（1.9 万粉丝）在体验后写道："今天豆包打了一下午电话，非常丝滑。每天可以跟它讨论 AI，可以跟它练英语，可以跟它做职业规划。"来源

GPT-Live 前脚发布，微软后脚测试，字节跳动抢了先

全双工交互在过去一个月骤然升温。

7 月 8 日，OpenAI 发布全双工语音模型 GPT-Live，支持同时听和说，取代了此前依赖轮次检测器的语音方案，并于 7 月 23 日登陆 macOS 与 Windows 桌面端。来源 来源 GPT-Live 是纯语音模型，不处理视频输入。

8 月 2 日，TestingCatalog 发现微软在 MAI Playground 中隐藏了一款名为 MAI Realtime 的全双工语音模型，支持十多种语言的双向实时对话，目前仍处于受限测试阶段。来源

仅仅三天后，字节跳动直接跳过了"纯语音全双工"这一站——SeedRealtime 将音频和视频同时纳入统一架构，并且不是发一篇技术报告就了事，而是直接全量上线了豆包 App。

统一架构取代级联系统，对话节奏问题减半

SeedRealtime 的核心改变在架构层面。传统音视频交互依赖级联方案：ASR 转写语音 → VLM 理解画面 → LLM 生成回复 → TTS 合成语音，模块之间延迟叠加、信息逐级损耗。

SeedRealtime 的做法是将声音、画面、时序与表达统一到一个端到端模型中，让感知、理解、决策与生成在同一个网络里同步进行。由此带来三个直接效果：

音视频联合理解上，模型不再先转写文字再理解画面，而是让视觉信息与语音在同一个模型中对齐。遇到同音词或模糊语音时，画面可以直接参与消歧；用户说"这个怎么弄"，模型结合手势、视线与画面判断"这个"指向什么。

主动交互方面，模型持续观察画面变化，在关键目标出现时自主提醒，不必等待用户开口。官方演示中，用户在博物馆交代"看到错金银铜虎噬鹿屏座就提醒我"，模型在镜头扫过该展品时出声叫停并讲解。

流畅的对话节奏是另一个直接收益。字节跳动官方端到端人工评测显示，SeedRealtime 的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、话音已落却回应迟缓、被背景杂音误触发"等卡壳现象显著减少，单次对话顺畅完整交流的概率也有明显提升。

全双工竞赛从语音升级为音视频，谁先落地谁定义规则

此前，全双工交互的竞争集中在语音维度。GPT-Live 在追求更自然的语音对话节奏，MAI Realtime 同样聚焦语音双向通话。视频理解在这些方案中仍然依赖外挂模块——画面需要先转成文字再被"看到"。

SeedRealtime 的不同之处在于，它将视频从辅助信号升级为原生模态。画面直接进入模型的实时决策流，而不需要经过一道文本转换。

这让 AI 能够基于视觉状态变化实时纠错：用户把整粒咖啡豆倒进手柄，模型立即指出"得先磨成细粉"，而非等用户开口问"我做得对吗"。

更关键的变量是落地速度。SeedRealtime 发布即全量上线豆包 App，而 GPT-Live 仍在逐步铺开，MAI Realtime 甚至尚未官宣。

当 AI 学会"看"，对话就不再是回合制游戏

SeedRealtime 的发布，将全双工大模型的竞争推进到了音视频融合阶段。当 AI 开始实时理解画面、把握时机、主动介入，人与机器的交互便不再是轮次分明的问答。

字节跳动官方博客写道："我们希望，AI 交互不再局限于清晰轮次中的问答，而是能在连续变化的真实场景中理解上下文、敏锐把握时机，并在合适的时候提供帮助。"来源 这一愿景的兑现程度，最终要看豆包用户实际使用中给出的答案。