字节跳动Seed发布SeedRealtime：原生视听全双工大模型，一个模型看懂听清说话

一句话看懂

字节跳动Seed团队发布SeedRealtime，一个原生融合音频、视频与文本的全双工大模型，能实时看、听、说，已在豆包App上线，但暂无API开放。

详细发生了什么

字节跳动Seed团队推出SeedRealtime，定位为原生视听全双工LLM。与传统的级联架构（ASR→VLM→TTS）不同，SeedRealtime将感知、理解、决策和表达并行运行在一个端到端模型中，直接处理连续的多模态流，而非逐轮交互。模型将turn-taking（话轮转换）内化，取代了外部语音活动检测器（VAD），降低了延迟和信息丢失。

Seed团队宣称三大突破：联合视听理解、主动交互、自然对话时机。在演示中，模型能在嘈杂聚餐中绑定人脸与声音，在博物馆中主动提醒用户注意展品，在咖啡制作中根据视觉状态纠正操作，并在机场忽略无关闲聊、回答基于已滚出屏幕的航班信息。

然而，SeedRealtime目前仅部分可部署：已在豆包App中上线，但未发布技术报告、参数规模、开放权重，也未提供火山引擎或BytePlus API端点。第三方团队暂时无法集成。

中文圈视角

对中文开发者而言，SeedRealtime的发布更像一个信号而非工具。目前无法直接调用API，但豆包App的落地意味着国内用户已能体验其能力。与国产同类产品相比，SeedRealtime的端到端设计领先于多数仍依赖级联架构的实时语音助手，但闭源策略限制了二次开发。

对中文场景，其主动交互和视觉理解能力在博物馆导览、在线教育、智能客服等场景有潜力，但数据隐私和合规问题需关注。国产模型如DeepSeek、Kimi在多模态上各有侧重，SeedRealtime的“全双工”概念可能推动行业跟进，但短期内开发者更期待官方开放API或开源。

几条值得记住的细节

SeedRealtime在豆包App中已上线，但无技术报告、参数数或开放权重。
模型将turn-taking内化，无需外部VAD，减少延迟。
演示中，模型能主动打断并纠正咖啡萃取时间（建议缩短2-3秒）。
在机场场景，模型忽略无关对话，仅回答用户问题，并利用已滚出屏幕的登机牌信息。
人类评估显示，与级联架构相比，节奏问题减半，但未提供基准或延迟数据。

一句话总结

SeedRealtime展示了实时多模态交互的新范式，但中文开发者需等待API开放，短期内可关注豆包App的体验。