字節跳動推出音視頻全雙工大模型SeedRealtime 推進全模態交互新里程

科技巨頭字節跳動近日宣佈，正式推出其原生音視頻全雙工大模型SeedRealtime。此舉被市場視為公司邁向全模態交互的關鍵一步，展現其在人工智能領域的最新技術實力。 據字節跳動介紹，SeedRealtime採用統一架構，能夠原生融合音訊、視頻與文本等多模態信息。其核心亮點在於能夠在連續的多模態信息流上進行實時交互，為用户帶來「邊看、邊聽、邊説」的沉浸式體驗，顯著提升人機對話的流暢度與自然性。這種全雙工的設計，使得系統能同時接收與發送信息，模擬人類對話的實時性和即時反應能力，是實現更自然人機交互的基礎。 目前，SeedRealtime已全面整合並上線至字節跳動旗下的人工智能應用程式豆包手機App，預計將為廣大用户提供更智能、高效的交互服務。市場對此類將多模態能力深度融合的技術突破寄予厚望，認為其將推動智能助手、虛擬人乃至元宇宙應用體驗的發展。 從端到端的人工評測結果顯示，相較於傳統的級聯模型，SeedRealtime在音視頻對話節奏方面的問題減少了約一半。該模型對説話時機的把握更為自然精準，有效改善了用户在對話中常遇到的説話未完被搶斷、話音已落卻回應遲緩、或因背景雜音及閒聊而誤觸發等痛點。憑藉這些優化，單次對話能夠順暢、完整交流的概率亦顯著提升，進一步縮小了人機交互與真人對話之間的差距。