字节跳动 Seed 团队原生音视频全双工大模型 SeedRealtime 正式发布，
豆包不再只是“打字聊天”的 AI，而是能看见你、听懂你、主动回应你的视频通话助手。
豆包是字节跳动公司基于云雀模型研发的 AI 对话产品，由北京春田知韵科技有限公司开发。作为国内用户规模领先的 AI 助手，豆包以“全模态自然交互”为核心理念，将语音、视觉与文本能力融入同一对话空间。2026 年 8 月 4 日，字节跳动 Seed 团队正式推出原生音视频全双工大模型 SeedRealtime，并在豆包 App 全量上线，在业界率先实现了音视频全双工技术的规模化落地。这意味着豆包不再只是“打字聊天”的 AI，而是能像真人一样视频通话的 AI 助手。豆包官网为 www.doubao.com，App 可在各大应用商店搜索“豆包”免费下载。
豆包由字节跳动公司基于云雀模型研发，北京春田知韵科技有限公司开发。依托字节跳动在 AI 领域的技术积累，豆包持续迭代，为用户提供稳定、流畅、智能的对话体验。
SeedRealtime 将声音、画面、时序与表达统一到同一个端到端模型中，让感知、理解、决策与表达同步进行。相比级联模型，音视频对话节奏问题减少了一半。
边看、边听、边说，像真人聊天一样自然。豆包能认出画面中的人、分清谁在说话、在合适时机主动开口，把所见、所闻与所说对应起来。
豆包网页端与 App 内基础功能完全免费，不包含任何广告和付费项目。搭载豆包大模型系列，支持联网搜索、文件上传、文档处理等完整能力。
豆包提供覆盖日常办公与创作场景的完整 AI 工具矩阵。无论是快速问答、文章撰写、图像生成，还是 PDF、Word、Excel、PPT 文档处理，都可以在同一个入口内完成。基础功能完全免费，不包含任何广告和付费项目，免费用户即可体验办公任务模式。2026 年 6 月推出的豆包专业版提供更高的复杂工作场景使用额度，标准套餐 68 元/月，大学生 38 元/月，供有更高频需求的用户选择。
日常问答、知识查询、创意脑暴。搭载豆包大模型系列，支持联网搜索，回复及时、表达自然。
免费使用文章撰写、润色改写、摘要提炼、邮件起草，覆盖办公与学习场景，帮你更快完成文字工作。
免费使用根据文字描述生成图像，支持多种风格与尺寸。无论是配图、海报还是创意视觉，都能快速出图。
免费使用支持上传图像、PDF、Word、Excel、PPT 等文件，快速提取信息、总结要点、回答基于文档的问题。
免费使用SeedRealtime 全双工大模型加持，边看边听边说，像真人聊天一样自然。App 端免费开放。
App 端体验免费用户也可体验办公任务模式，处理文档、整理表格、生成汇报材料，提升日常工作效率。
免费体验豆包是字节跳动公司基于云雀模型研发的 AI 对话产品，由北京春田知韵科技有限公司开发。作为国内用户规模领先的 AI 助手，豆包网页端与 App 内基础功能完全免费，不包含任何广告和付费项目。
2026 年 8 月 4 日，字节跳动 Seed 团队正式推出原生音视频全双工大模型 SeedRealtime，并在豆包 App 全量上线，在业界率先实现了音视频全双工技术的规模化落地。这意味着豆包不再只是“打字聊天”的 AI，而是能像真人一样视频通话的 AI 助手。
SeedRealtime 用统一架构原生融合音频、视频与文本，能在连续的多模态信息流上实时交互。端到端人工评测显示，相比级联模型，对话节奏问题减少了一半——“话未说完被抢断、话音已落却回应迟缓、被背景杂音误触发”等卡壳现象显著减少。
豆包官网为 www.doubao.com，App 可在各大应用商店搜索“豆包”免费下载。用户将豆包 App 更新至最新版本后，在对话框内选择“打电话”，进入视频通话界面，即可体验“边看、边听、边说”的全模态交互。
目前，SeedRealtime 已在豆包 App 全量上线。业界首个实现音视频全双工规模化落地的方案，选择了日活超过 2 亿的豆包 App 作为首个消费端入口。
豆包基础功能完全免费，搭载豆包大模型系列，支持联网搜索、文件上传（图像、PDF、Word、Excel、PPT 等）。2026 年 6 月推出的豆包专业版提供更高的复杂工作场景使用额度，免费用户也可体验办公任务模式。
四位好友聚餐，人多话杂。用户逐一介绍在场的人，SeedRealtime 就能根据外形特征把名字和人对上——认出浅色头发的七七、戴眼镜的 Julia，还主动和乐乐打招呼；在之后的交谈中，始终把每个人的声音和身份对应起来。
在多人交错对话流里，SeedRealtime 同时完成认人、辨声、理解，分清发言主体，把握讨论要点，并在合适时机接话和给出建议。
在川菜馆，外国食客面对中文菜单犯难。SeedRealtime 识别菜品、用英文推荐，还能解释“鱼香肉丝为什么没有鱼”的文化背景。
大家你一言我一语聊起旅行：有人想去海边拍照、有人怕热怕累、有人对海鲜过敏。SeedRealtime 能分辨每句话出自谁，并根据大家的交流，给出一份兼顾每个人需求的旅行方案。认人、辨声、听懂各自的需求，这些都在同一场对话里由一个模型实时完成。
SeedRealtime 具备持续的环境感知与主动表达能力。模型能在察觉画面状态变化时（如关键目标出现）主动提醒，并能调用工具融入表达，让交互从被动响应升级为主动协作。
在博物馆等移动场景中，SeedRealtime 能持续关注用户目标，适时主动提醒并结合实时画面自然讲解，同时屏蔽无关干扰，保持流畅交互。
在设备操作场景中，模型能持续观察用户行动过程，主动发现问题、及时纠错，并结合结果给出针对性建议。
SeedRealtime 能够实时感知用户的对话状态与交流节奏，在适当时机自然接话、停顿与回应；同时具备较强的抗干扰能力，能分辨旁人闲聊与背景噪声，不因干扰误触发，保持沟通的流畅连贯。端到端人工评测结果显示：相比级联模型，SeedRealtime 的音视频对话节奏问题减少了一半——“话未说完被抢断、话音已落却回应迟缓、或是被背景杂音与闲聊误触发”等卡壳现象显著减少；同时，单次对话能够顺畅、完整交流的概率也有明显提升。
音视频实时交互此前长期卡在两种形态之间：级联系统依赖 ASR、VLM、TTS 等多个模块串联，延迟层层叠加，信息逐级损耗；端到端模型虽更流畅，但不少方案仍依赖外置 VAD 判断轮次，本质上仍接近一问一答的半双工交互。
SeedRealtime 的核心突破，在于将声音、画面、时序与表达统一到同一个端到端模型中。它不是“先听完、再看完、最后作答”，而是在连续音视频流上，让感知、理解、决策与表达同步进行。
用户说“这个怎么弄”时，模型需要结合当前画面、手势、视线与历史动作，判断“这个”具体指向什么；遇到同音词或模糊语音时，也要借助视觉场景完成消歧。
只有将声音、画面与时序信息统一建模，模型才能真正把所见、所闻与所说对应起来。当看、听、说被纳入同一套实时决策体系，模型便不再只是等待用户提问，而能持续理解场景变化，在合适的时机主动开口。
日常问答、知识查询、创意脑暴，搭载豆包大模型系列，支持联网搜索。
文章撰写、润色改写、摘要提炼，覆盖办公与学习场景。
根据文字描述生成图像，支持多种风格与尺寸。
支持上传图像、PDF、Word、Excel、PPT 等文件，快速提取信息、总结要点。
SeedRealtime 全双工大模型加持，边看边听边说，像真人聊天一样自然。App 端免费开放。
标准套餐 68 元/月，大学生 38 元/月。提供更高复杂工作场景使用额度，免费用户也可体验办公任务模式。
边看 · 边听 · 边说，像真人聊天一样自然
⬇ 免费下载豆包 App