字节 Seed 团队发布了 SeedRealtime，一个用统一架构原生把音频、视频和文本揉在一起的全双工大模型，主打"边看、边听、边说"的实时自然交互。它已经不在实验室里——这套能力已在豆包 App 全量上线，率先把音视频全双工技术推到了规模化落地的位置。

和传统的级联方案相比，SeedRealtime 最核心的差别在架构。级联系统通常是"听—转写—想—说"逐段拼接，感知和表达分属不同模块，对话节奏容易打架;SeedRealtime 则把音视频的感知与表达统一进同一个端到端模型，让模型一手接住画面和声音、一手直接生成回应。这种原生融合带来的最直接收益，是音视频对话里的说话节奏问题减少了一半，不再频繁出现抢话、停顿突兀或答非所问的割裂感。

更妙的是它在实时场景里的"分寸感":能主动提醒、也能自然停顿，像真人对话那样留出呼吸的间隙，而不是一股脑把话说完。对全模态智能助手而言，这等于给出了一条新路线——不再依赖把多个单模态模型用管道串起来，而是让一个模型同时长着眼睛、耳朵和嘴巴。