字节 Seed 发布音视频全双工大模型 SeedRealtime,已在豆包 App 全量上线
字节 Seed 发布原生音视频全双工大模型 SeedRealtime,用统一架构融合音频、视频与文本,已在豆包 App 全量上线。官方端到端人工评测称,相比级联模型其音视频对话节奏问题减少一半;模型可分辨多人对话中谁在说话、按画面变化主动提醒并调用工具。
字节把全双工音视频交互从演示推进到消费级产品全量上线,实时看画面对话开始具备规模化可用性。
- 影响语音与视频结合的客服、导览、陪练类场景多了一种交互形态参考;实时多模态对话进入大众 App,同类能力的用户预期和接入门槛会随之变化;当前能力结论均出自官方评测,采购前需自建测试。
- 参考可考虑在客服、展厅导览、教学陪练中挑一个视频交互场景做小流量试点,在嘈杂与多人环境下实测接话时机和抗干扰表现;值得同时盘点现有级联语音方案的时延与成本作对照。