豆包又偷偷进化了！AI终于能边看、边听、边说，这次真的有点像“真人”了

豆包最近又悄悄搞了个大动作。

这次没有发布什么惊天动地的新模型，升级的是一个很多人可能根本不会特别关注的功能：视频通话。

但我把资料和演示完整看了一遍之后，突然觉得，这次更新可能比很多跑分第一更值得普通人关注。

因为现在的豆包，已经开始能够一边看着你，一边听你说话，同时还能随时开口回应。你话没说完，它会继续听；旁边有人插话，它会判断是不是在跟它说；甚至画面发生变化以后，它还可以在合适的时候主动提醒你。

8月6日公开的信息显示，豆包视频通话正式接入原生音视频全双工模型 SeedRealtime，可以在连续变化的真实场景中实现边看、边听、边说，目前已经面向用户开放体验。

简单来说：

以前你是在使用AI。

现在，它开始尝试真正待在现场了。

为什么我觉得这次升级很重要？

以前很多AI视频通话，本质上还是一条流水线：先听你说话，再转成文字，视觉模型负责看，大模型负责想，最后再把答案念出来。

每个模块都很强，但串起来以后就特别容易出现一种熟悉的“机器感”：你还没说完，它抢话了；你已经说完，它又愣两秒；旁边有人聊天，它突然以为是在叫它。

所以跟传统AI语音助手聊天，经常像拿着对讲机。你说完，我再说。

这次 SeedRealtime 想解决的，就是这个问题。

它采用端到端架构，把声音和画面放进连续的信息流中处理。公开资料显示，在人工评测中，对话节奏相关问题减少了一半，抢话和回应迟缓等现象明显降低。

但真正让我觉得有意思的，是：眼睛也进来了。

过去很多多模态AI更像“给我一张图，我帮你分析”。

现在开始变成：“我一直跟着现场看。”

你刚才指了什么、镜头扫过哪里、现在谁在讲话、画面发生了什么变化，这些连续的信息都会影响AI接下来的判断。

从“识别一张图”到“理解正在发生的事情”，差别其实非常大。

那这种能力到底能干什么？

我觉得三个场景最能说明问题。

01｜你说“这个”，它终于知道你指的是谁

想象一下，你把镜头对着桌面，上面同时放着咖啡机、杯子和几个按钮，然后问一句：

“这个怎么用？”

现实中的人会结合你的手势、动作和刚才发生的事情，自然判断“这个”到底指什么。

SeedRealtime 这次会同步处理声音、视觉画面以及连续的时间信息，所以它看到的不再只是某一帧截图，而是整个持续发生的现场。

这件事真正重要的地方在于：以前我们得把话说得越来越像提示词。

现在机器终于开始学习：人到底是怎么说话的。

02｜多人聊天，它开始知道谁在跟它说话

第二个场景更难：

多人对话。

一个房间里只要多两个人，传统语音助手就很容易乱套。

A在问AI问题，B在旁边聊天，电视里还有人在说话。

到底听谁的？

SeedRealtime 可以结合声音和画面判断当前发言对象，以及现在应该倾听、回应还是保持安静。公开资料给出的场景中，就包括多人聚会持续对应不同发言者，以及在嘈杂环境中区分用户主述和旁人闲聊。

这个能力如果稳定下来，意义就不只是视频聊天。

会议助手、家庭陪伴、智能眼镜、机器人，未来都会遇到同一个问题：现场这么多人，你得知道谁是在跟你说话。

03｜最难的能力，其实是知道什么时候闭嘴

第三个能力，我觉得反而最容易被低估：停顿。

比如你说：“我觉得这个方案吧……”

然后停了一秒。

正常人知道，你可能只是在组织语言。

传统AI很可能已经冲出来开始回答了。

所以真正自然的实时AI，难点不只是“会不会说”，还得知道：

什么时候该说，什么时候继续等。

SeedRealtime 会实时感知用户的语速和停顿，并结合现场情况判断什么时候接话、回应或者保持安静。

这也是我觉得这次升级特别有意思的地方。AI开始学的不只是怎么回答。

还有：什么时候别说。

当然，夸了半天，该泼的冷水还是要泼。

千万别看到“边看、边听、边说”，就直接脑补成贾维斯已经住进手机里了。还早。

第一，交互更自然，不代表已经和真人一样。

现在能确认的是抢话、迟缓等节奏问题得到了明显改善。

但真人聊天里的随时打断、情绪变化、多人插话、半句话理解，复杂度要高得多。

第二，加入视觉以后，稳定性只会更难。

声音本来就要处理噪音、停顿和重叠语音，现在还要继续判断手势、镜头变化、物体关系和上下文。

官方演示好看是一回事。

真正连续用十几二十分钟还能不能稳稳跟住，才是硬指标。

所以现在我不会把它吹成什么“AI真人朋友”。

但我愿意给它一个更准确的评价：实时多模态AI，开始真正有用了。

最后，老规矩，用三句话总结一下。

1. SeedRealtime真正重要的地方，不只是豆包多了一个更自然的视频通话，而是AI开始从“等你提问”，进入持续看、持续听、实时参与的阶段。

2. “边看、边听、边说”背后解决的是一个更大的问题：AI能不能把连续发生的声音、画面、动作和对话放在一起理解。

3. 以后AI助手真正拉开差距的地方，可能不只是知道多少知识，而是你在做事情的时候，它能不能一直跟得上，还知道什么时候该帮忙、什么时候该闭嘴。

为了让大家更新完豆包之后，不至于打开视频通话又不知道该玩什么，我整理了一份：

《SeedRealtime 20个实用场景清单》

里面包括旅行翻译、设备操作、口语陪练、博物馆导览、做饭指导、多人对话等场景，每个都配了可以直接照着说的测试指令。

扫码回复关键词【实时】，直接领取。