你说”这个怎么弄”，指着屏幕，它能结合画面和手势秒懂你说的”这个”是哪个；旁人在旁边闲聊，它知道不是在跟自己说话，不瞎搭茬；你装电脑忘了插供电线，它眼睛一直盯着，主动提醒你。字节跳动 8 月 5 日发布的 SeedRealtime，把音频、视频、文本融进同一个端到端模型，让 AI 不再是一个回合等一次的答题机器，而是一个能持续观察环境、判断时机、自然插话的”在场者”。豆包 App 已全量上线，迄今最大规模的全双工落地。
先搞懂它是什么
SeedRealtime 是字节跳动 Seed 团队于 2026 年 8 月 5 日发布的原生音视频全双工大模型。核心定位很明确：用一个统一的端到端架构，替代传统 AI 通话背后那一长串接力系统（ASR 听→模型想→TTS 说）。
官网：https://seed.bytedance.com/en/seedrealtime
以往你视频打电话给 AI，本质上是一套流水线：先把声音转成文字，再截图看画面，模型综合处理，最终合成语音念出来。每个环节的反应再快，串在一起就慢半拍，而且每转一次就丢一点信息。SeedRealtime 不做接力，它把声音、画面、时序和表达压进同一个模型，让感知、理解、决策、表达在连续的信息流上同步进行。
字节选在 4 月先发了纯语音全双工 Seeduplex，验证了”不靠外挂 VAD 判断轮次”这条路走得通，4 个月后直接叠上视频，成了现在的 SeedRealtime。这分两步走的策略很务实：语音先跑通用户愿不愿意用，再叠视觉。
目前 SeedRealtime 已通过豆包 App 全量上线，月活 3.82 亿的用户规模（2026 年 6 月 QuestMobile 数据），让它在全双工赛道上成了第一个真正大规模落地的产品。
到底强在哪
前面搞清了它是干嘛的，接下来看看这三个核心能力是不是真那么回事。
音视频联合理解。这是最底层的能力差异。模型把声音、画面和时间线深度融合，你的每句话都带着画面上下文被理解。比如你说”这个怎么弄”同时手指着屏幕上某个按钮，它能判断你的手势指向、视线方向和历史操作，确认”这个”到底是什么。碰到 bank 这种同音词，它靠画面区分银行还是河岸，不是靠猜。
主动交互。模型不只是等你开口，它持续观察环境状态变化。官方演示了几个场景：在博物馆里一直盯着镜头，认出你指定的文物后主动开口讲解；你操作咖啡机时，发现步骤不对，根据画面变化实时纠错；你看论文翻页，它一直监测，指定章节一出现就自动提醒。这种”它也在看”的体验，跟传统”你问一句它答一句”完全不是一个物种。
流畅交互节奏。这是用户最能感知到的部分。SeedRealtime 不靠外挂 VAD 判断该不该说话，全由模型在多模态信息流上实时决策。在被问到”卡壳、抢话、误触发”这些老问题时有没有改善，字节披露的端到端人工评测数据：相比传统级联系统，节奏问题减少约 50%，包括抢话、回应迟滞、背景噪声误触发都有明显下降。
需要交代的是，参数量和具体架构细节至今未公布。50% 这一数据同样缺少样本量和评测方法学说明，只能先按官方口径引用。
从下载到产出
参数再漂亮不如跑一遍，打开豆包直接试试视频通话到底什么感觉。
打开豆包 App（更新到最新版），在对话框里点”打电话”按钮，选视频通话。不需要注册新账号，不需要填任何表单，豆包账号直接就能用。接通后你会看到一个实时视频画面，你可以直接对着镜头说需求。
第一印象是反应快了。以前说句话要等上一两秒才有回应，现在它在你话还没完全说完的时候就开始准备了。你停顿一下想一想，它不会急着抢话；你真想问的时候，它马上接上。对话节奏从”回合制”变成了”能插嘴的聊天”。
最有意思的是它的抗干扰能力。旁边有人打电话、电视开着，它基本能判断出哪些话是对它说的，哪些是背景杂音。差评 XPIN 测试了装机场景：全程开视频指导装测试平台，从装内存条提醒注意正反面，到装完显卡发现供电线没插主动补充，甚至角落里最容易被忽略的 CPU 供电线都被发现了。这种全流程跟踪能力，放在以前的 AI 视频通话上想都不敢想。
不过也别期望太高。目前还是手机形态，你得到处举着手机，视频通话也受网络和续航限制。而且它有时还是会反应过度，在你说到一半的时候插嘴。
使用技巧
很多人不知道，这几个骚操作用过才知道有多省心。
-
把手机放支架上，别一直举着。 视频通话需要稳定画面，手抖会导致它看不清。找个手机支架放桌上，比手举着体验好十倍。 -
像跟人说话一样说完整句。 虽然它更智能了，但还是需要完整表达的上下文。说”这个”的时候手指着目标，它能秒懂；只甩一个”这个”没手势，它也蒙。 -
利用记忆功能当临时秘书。 有用户测出来，全程开视频时它记得你随手放的测试机位置。装东西、理东西、找东西的时候开着视频，它可能比你自己记得还清楚。 -
嘈杂环境说”豆包”开头。 在机场、餐厅这些地方，先喊一声唤起注意，再说正事，误触发率会低很多。 -
装机、修东西这种场景最适合它。 双手占着没法打字，光打电话又表达不清步骤，视频通话加全双工是最好的组合。
和同类比怎么样
说再多自己的好，放竞品圈里比比才知道真实水平。
音视频全双工不是字节的独角戏，海内外大厂都在这条赛道上。先看几家主要选手的横向对比：
| 维度 | SeedRealtime | Gemini Live | GPT-Live | Qwen3-Omni |
|---|---|---|---|---|
| 模态 | 音频+视频+文本 | 音频+视频+图像+文本 | 音频+文本 | 音频+视频+文本 |
| 架构 | 统一端到端 | 原生多模态 | 全双工解耦 | 原生多模态 |
| 全双工 | 原生，无外挂 VAD | 原生，全双工 | 全双工 | 半双工为主 |
| 中文优化 | 深度专项优化 | 通用支持，非专项 | 一般 | 深度中文 |
| 落地平台 | 豆包 App | Google Workspace/Meet/Android | ChatGPT | 通义千问 |
| 开放 API | 暂无 | 有 | 有 | 有 |
| 定价 | 免费 | Gemini Advanced 订阅 | ChatGPT Plus/Pro | 免费+API |
SeedRealtime 在”持续在场感”和”中文场景深度”上确实领先，主要体现在三个维度：不依赖外部 VAD 的原生全双工、音视频时序联合建模的指代理解、以及豆包 3.82 亿月活带来的规模化训练反馈。但它的短板也很明显：没有开放 API，开发者没法接入；模态覆盖上，Gemini Live 支持的模态比它多；GPT-Live 和 Qwen3-Omni 都有明确的 API 和定价，SeedRealtime 目前完全是个 to C 产品。
腾讯的 Covo-Audio（7B 开源）和面壁的 MiniCPM-o 4.5（9B 全模态）也在追，但体量和场景覆盖与 SeedRealtime 还不是一个量级。智谱的 GLM-4-Voice 有端到端语音能力，目前还没有加入视频理解。
用户反馈
技术数据是一回事，真实用户的感受可能更说明问题。
-
好评：“不再是个答题机器了。” 差评 XPIN 测试后说豆包”真的在尝试理解你的语气、声音，学会了像人一样和人沟通”。装机场景中豆包持续跟踪全流程、主动提醒遗漏线缆的表现，用户评价”简直就是 AI 磕了哆啦 A 梦的记忆面包”。 -
好评：“终于不再乱搭话。” 夕小瑶科技说的测评认为，豆包更新后环境音和人声持续进入模型，不再因为身旁有人聊天就瞎接茬。在嘈杂环境里”学会了适时沉默”。 -
吐槽：“还是手机形态太局限。” 多位体验者提到，视频通话需要一直举着手机或架着手机，续航、网络、角度都限制使用场景。有用户直言”手机这个形态有点制约未来 AI 的能力”。 -
保守观望：“技术参数和评测数据没公开。” DataNorth 的报道指出，字节没有公布参数量、样本量、基准测试细节，50% 节奏改善的数字目前无法用公开方法学验证。缺少这些数据，做技术选型的团队很难严肃评估。
多维评分
主观感受说完了，按统一标准逐项打分，每项都有场景或数据支撑。
N/A 维度已排除，权重已归一化（价格合理性 N/A，本产品通过豆包 App 免费使用）。
| 维度 | 权重 | 评分 | 一句话解读 |
|---|---|---|---|
| 功能完整性 | 22.2% | ⭐⭐⭐⭐☆ | 三核心能力完整，缺 API 和开发者入口 |
| 价格合理性 | N/A | N/A | 免费产品，通过豆包 App 直接使用 |
| 易用性 | 16.7% | ⭐⭐⭐⭐☆ | 更新豆包直接打视频电话，零门槛 |
| 性能表现 | 16.7% | ⭐⭐⭐⭐☆ | 节奏问题减半，但时延数据未公开 |
| AI 能力 | 16.7% | ⭐⭐⭐⭐⭐ | 统一端到端架构行业领先，没有争议 |
| 生态集成 | 11.1% | ⭐⭐☆☆☆ | 仅豆包 App，无 API/插件/第三方集成 |
| 文档与支持 | 11.1% | ⭐⭐⭐☆☆ | 有官方博客和场景演示，缺技术白皮书 |
| 更新频率 | 5.6% | ⭐⭐⭐⭐☆ | 4 个月从语音到音视频，迭代节奏快 |
综合评分：7.7 / 10
优缺点
看到这里，把好的和不好的摊开说。
优点
-
业界首个原生音视频全双工端到端模型，不靠级联系统凑合 -
音视频联合理解能力强，指代消歧、手势理解、同音词消歧都精确 -
大规模落地，豆包 3.82 亿月活意味着有大量真实数据反馈 -
主动交互和节奏控制比级联系统有明显代差感
缺点
-
没有公开 API，开发者无法接入做二次开发 -
技术细节不透明：参数量、时延基准、评测方法学均未披露 -
限定手机形态，眼镜、车载等场景还没影 -
仅限豆包 App，生态封闭度较高
适用人群
功能、评分都有了，但你适不适合，看完下面几条应该有答案。
-
豆包重度用户。 你已经在高频用豆包，更新后视频通话体验直接上一个台阶，没有任何迁移成本。 -
需要视觉辅助操作的人。 装机、修电器、操作陌生设备，双手占着没法打字，视频通话就是最好的交互方式。 -
外语学习者。 英语不好想看外文菜单、跟外国人交流，豆包能实时结合画面翻译和解释。 -
老人和数字弱势群体。 去大医院不知道在哪取号、怎么签到，全程开视频让豆包带路，比电话里指导直观得多。 -
不适合：需要 API 接入的开发者。 目前纯 to C 产品，想用 SeedRealtime 做二次开发的团队只能等火山引擎后续动作。 -
不适合：极度关注数据隐私的用户。 视频通话意味着你对着摄像头做的事它都在看，隐私边界目前不清晰。
常见问题
写到这你可能还有几个疑问，直接翻这里。
Q1：SeedRealtime 收费吗？
A1：目前完全免费。 通过豆包 App 的视频通话功能使用，无需任何订阅或付费。未来如果开放 API，火山引擎可能会有单独的定价方案，但 C 端短期内不会收费。
Q2：怎么才能用上 SeedRealtime？
A2：把豆包 App 更新到最新版本，点”打电话”选视频通话就行。 不需要额外注册或申请，所有豆包用户都能用。iOS 和安卓均已全量上线。
Q3：SeedRealtime 跟 GPT-4o 的语音模式比，谁更强？
A3：SeedRealtime 多了一个视频维度。 GPT-4o/GPT-Live 的语音全双工体验已经很好了，但它不处理视频流。SeedRealtime 的核心差异在于音视频联合理解，能结合画面理解你的指代。纯语音场景下两者差距不大。
Q4：它能在嘈杂环境里正常工作吗？
A4：可以，比之前的版本好很多。 官方演示和用户测试都显示，在机场、聚会等场景下，它能区分你跟它说话和旁人在闲聊，不会乱搭茬。但极端噪声下还是会有误判。
Q5：视频通话时会消耗很多流量吗？
A5：跟普通视频通话差不多。 本质上是视频流加语音，流量消耗主要在于视频画质。WiFi 环境下基本无感，移动网络建议留意流量用量。
Q6：有 API 可以接入吗？
A6：目前没有。 SeedRealtime 目前是纯 C 端产品。火山引擎尚未公布 API 计划。有开发需求的团队可以先关注字节 Seed 团队和火山引擎的动态。
Q7：它跟 Seeduplex 什么关系？
A7：Seeduplex 是 4 月发布的纯语音全双工模型，SeedRealtime 是在它基础上叠加了视频理解。 字节的策略是先验证语音全双工可行，再扩展到音视频，两步走得很务实。
Q8：视频内容是实时处理的，隐私怎么办？
A8：官方表示数据加密传输，但详细的隐私白皮书尚未公布。 如果你介意 AI 实时看到你在做什么，建议只在需要的时候开启视频通话，不要一直开着。
Q9：跟 Gemini Live 比有什么优势？
A9：中文场景深度优化和 3.82 亿月活的训练反馈是最大优势。 Gemini Live 在全球化和多模态覆盖面上更广，但中文不是它的专项优化方向。在中国市场使用场景下，SeedRealtime 的中文理解和节奏控制更自然。
最终建议
SeedRealtime 代表了 AI 交互从”问答式”到”在场式”的一次关键跳跃。它不再需要你先开口、它再回答，而是能一直看着、听着、等着在恰当的时候帮你一把。
这次发布的时机也很有意思。4 个月前 Seeduplex 先跑通了纯语音，4 个月后就直接端上了音视频全双工，这个迭代节奏说明字节在多模态实时交互上的投入是认真的。而且选择先在豆包 3.82 亿月活上落地，而不是先发 API 或技术论文，这个优先级本身就在说：他们要的是真实用户反馈，而不是技术社区的口碑。
当然，不透明的地方也不少。参数量、时延、评测方法学全都没公开，50% 节奏改善的数字好看但没法交叉验证。没有 API 也意味着想用这套技术做产品的团队暂时只能看着。这也是为什么综合评分定在 7.7 / 10，而不是更高。
如果你的日常场景里有”双手占着又想找人帮忙”的时刻，更新豆包试试视频通话。这可能是你第一次觉得 AI 不是在回答问题，而是在陪你做事。