豆包视频通话升级，火山引擎多模态传输系统提供技术支撑
Industry
Source: InfoQ 中文Publish time unverified
走到一个陌生景点，举着手机让豆包带你逛，它看到路牌标识主动提醒方向，看到建筑开口介绍典故；旁边路人聊天、街边叫卖，豆包不会被带偏，依然只跟你对话。豆包视频通话功能升级后，AI 可以在连续变化的真实场景中实现更自然的连续交互，这为用户带来了三个最直观的感受： 能边看边听边说。 用户不用等 AI 说完才能开口，AI 能同时接收和处理音频、视频、文本三路输入。指着航班牌问 "这个怎么走"，它看懂你指的是行李转盘；多人聊天时，它结合口型和画面判断是谁在对话，不被旁边闲聊带偏。 AI 会主动开口。 持续感知环境变化，看到关键标识会主动提醒，处理任务时主动调用工具查信息、整理结果。交互模式从 "一问一答" 升级成了 "双向协作"，用户不用每次都先开口。 对话节奏自然。 不打断也不冷场，该说时说，该听时听。自然接话、合理停顿，精准分辨旁人闲聊和背景噪声。官方评测显示，对比传统级联方案，对话节奏违和问题减少了约 50%—— 用户几乎不会遇到 "AI 说完话突然停住" 或 "我还没说完 AI 就抢答" 的尴尬。 这背后是一次双线升级：模型层接入原生音视频全双工大模型 SeedRealtime，在业界率先…