豆包升级视频通话，首发原生全双工大模型SeedRealtime

今日，豆包正式推出升级版视频通话功能，全面集成自主研发的原生音视频全双工大模型SeedRealtime。该模型专为实时音视频交互场景设计，首次在大规模应用中实现真正意义上的音视频全双工能力。

SeedRealtime具备音视频联合理解能力，可同步处理声音信号、视觉画面与时间序列信息，精准识别当前发言对象，智能判断应倾听、应回应或宜静默的时机，从而支持边看、边听、边说的自然连续对话体验。

在真实动态环境中，该模型显著提升了视频通话的交互自然度与响应连贯性。其技术突破主要体现在三个方面：

一是深度融合多模态信息。模型能将语音、图像及时间维度数据协同建模，在复杂语境下消除同音歧义，并准确解析画面中具有时序指向性的动作或对象，使视觉所见、听觉所闻与语言表达形成有机统一。

二是具备主动交互意识。模型持续感知环境变化，当画面中出现状态切换或关键目标时，可自主发起提示，并灵活调用相关功能模块辅助表达，推动人机交互由单向响应迈向双向协作。

三是优化对话节奏控制。模型实时分析用户语音停顿、语速变化及非语言线索，动态选择最适宜的介入时机，实现自然接话、合理停顿与及时反馈。同时，它对环境干扰具备较强鲁棒性，能有效区分用户主述、他人旁白及背景杂音，大幅降低误触发率，保障沟通全程流畅稳定。