字節跳動 SeedRealtime 推出 Seeduplex：AI 能邊聽邊說，全雙工語音模型有何不同？
Seeduplex 讓 AI 在說話時繼續聽，判斷該等待、接話或停止。一次看懂 SeedRealtime 的全雙工語音能力、官方數據與現階段限制。
AI 語音通話最讓人出戲的，通常不是聲音不夠像真人，而是它不知道什麼時候該閉嘴。
你稍微停頓，它以為你說完了，立刻搶話。你想中途補充，它還在繼續播報；旁邊有人說話，系統甚至可能把那段對話當成新指令。這些問題背後都指向同一件事：模型不只要聽懂內容，還要即時判斷一段對話現在輪到誰說。
字節跳動 Seed 在 2026 年 4 月 9 日發布原生全雙工語音大模型 Seeduplex，目前官方把它列在 SeedRealtime 產品線下，並已全量導入豆包 App。它最重要的進展，不是增加另一種 AI 音色，而是讓模型在說話時繼續聽，根據聲音、語意與前後文決定要等待、接話，還是被使用者打斷後立即停下。
不過，這不是一個已經能「邊看、邊聽、邊說」的音視頻模型。官方目前描述的是語音與文字模態，視覺輸入仍被列為後續發展方向。若把它寫成原生音視頻全雙工模型，會超出這次發布的實際範圍。
Seeduplex 是什麼？SeedRealtime、Seeduplex 名稱有何關係？
Seeduplex 是字節跳動 Seed 團隊推出的原生全雙工語音大模型，也是先前「豆包即時語音大模型」的升級版本。官方網站目前使用 SeedRealtime 作為產品入口，模型發布文章與豆包功能則使用 Seeduplex 這個名稱。
「全雙工（Full-Duplex）」指的是兩端可以同時傳送與接收聲音。人類講電話就是全雙工：即使對方正在說話，我們仍能聽見內容，也可以用「嗯」、「等一下」或直接插話改變對話方向。
傳統半雙工 AI 比較像輪流使用同一支麥克風。系統先收完使用者的聲音，再開始生成回答；一旦進入播報階段，持續理解新聲音的能力通常有限。這種設計比較容易控制，卻也讓語音互動變成僵硬的一問一答。
Seeduplex 改變的是對話控制權。模型在回答時仍持續接收音訊，並根據目前的聲學環境與對話內容，在三種狀態之間切換：繼續聽、開始回答，或停止回答並回到聆聽。這才是「邊聽邊說」對使用者體驗真正有意義的地方。
為什麼全雙工不只是「同時開著麥克風」？
讓麥克風一直收音並不困難，難的是模型要知道哪些聲音值得回應。
假設你在車內詢問路線，導航也正在播報，乘客又在聊天。系統如果只看音量或有沒有人聲，就可能被導航聲打斷，或把乘客的對話誤認為指令。Seeduplex 的做法是把聲音特徵、語意與對話上下文一起處理，判斷誰正在對 AI 說話，以及背景內容是否與目前話題有關。
在導航與車內播報混雜時，Seeduplex 嘗試辨識主要使用者的需求。影片來源：字節跳動 Seed 官方。
官方資料顯示，在複雜聲學環境中，Seeduplex 相較豆包先前的半雙工模型，誤回覆率與誤打斷率降低一半。這項數字的價值不只是模型「聽得更準」，而是使用者不必為了配合 AI，刻意跑到安靜空間或把每句話說得像語音指令。
動態判停：AI 終於比較知道你是在思考，還是已經說完
即時語音最難處理的時刻，往往是沉默。
「我覺得這個方案……可能要先看預算。」中間那一段停頓，可能只是使用者在組織語句，也可能代表發言結束。傳統系統常依賴語音活動檢測（Voice Activity Detection，VAD），也就是根據一段時間內有沒有聲音來切割句子。只靠靜音長度，很容易在使用者猶豫時過早接話。
Seeduplex 加入語意與上下文判斷。當使用者在面試練習中卡住、修正前面的說法，模型可以繼續等待；當問題已經完整，它則縮短空白時間並開始回答。字節跳動把這種能力稱為「動態判停」。
官方示範使用者卡住或停頓時，模型如何繼續等待，不急著搶話。影片來源：字節跳動 Seed 官方。
依官方評測，相較先前半雙工版本，Seeduplex 的 AI 搶話比例相對下降 40%，判停延遲縮短約 250 ms。兩個指標必須一起看：只追求低延遲，模型容易搶話；只追求不打斷，回覆又會慢半拍。動態判停要解決的，就是在「耐心」與「反應速度」之間做即時選擇。
從接話到停話：使用者打斷 AI 後，模型能否真的收聲？
自然對話不只需要判斷何時開始回答，也要知道何時停止。
當 AI 正在說明一個步驟，使用者突然說「等一下，我拿筆記一下」，理想狀態不是系統辨識到這句話後，仍把原本回答播完，而是立即停止輸出並保留前面的對話進度。Seeduplex 會持續接收使用者端音訊，識別打斷意圖後平滑停下，再回到聆聽狀態。
使用者說「等一下」後，模型停止輸出並返回聆聽狀態。影片來源：字節跳動 Seed 官方。
字節跳動表示，Seeduplex 的打斷回應延遲比先前模型縮短約 300 ms。幾百毫秒看似不多，但語音互動對時間差很敏感。按鈕慢半秒，使用者可能只覺得介面卡了一下；對話慢半秒，卻會直接變成搶話、重複說明或兩邊同時開口。
Seeduplex 怎麼做到邊聽邊說？
Seeduplex 採用原生端到端架構。白話來說，它不是把「語音轉文字、文字模型回答、文字轉語音」三套完全分離的系統接在一起，而是讓語音、語意與輸出節奏在共同的模型流程中學習。
官方沒有公開完整架構圖或模型參數量，但透露了幾個方向：先用大量語音資料預訓練，再透過多任務後訓練，同時優化對話能力、低延遲、節奏、抗干擾與指向性理解。推論階段則使用投機採樣與量化降低運算成本。投機採樣會先快速猜測一段可能的輸出，再由主模型驗證；量化則以較低精度表示部分數值，換取更快、更省資源的運算。
真正困難的還有服務端工程。全雙工代表模型要長時間維持音訊輸入與輸出，任何收音中斷、播放卡頓或延遲突然上升，都會破壞對話節奏。字節跳動強調已針對高流量下的穩定性做優化，而 Seeduplex 全量上線豆包 App，也讓這次發布比只在實驗室展示的 Demo 多了一層產品驗證。
官方評測提升多少？數字漂亮，但要看比較基準
字節跳動公布的內部評測顯示，Seeduplex 相較豆包先前的半雙工模型，判停 MOS 提高 8%，對話流暢度 MOS 提高 12%。MOS（Mean Opinion Score）是讓受測者對體驗品質評分後取得的平均結果，適合反映「聽起來是否自然」，但會受到測試題目、受測者與評分設計影響。
字節跳動也公布豆包 App 的大規模 A／B 實驗結果：新舊模型分配給不同使用者後，Seeduplex 組的整體通話滿意度絕對值增加 8.34%，通話時長與留存等指標也有正向提升。相較單純的實驗室分數，這組資料更能說明使用者是否願意繼續通話。
但這些結果仍有兩個限制。第一，資料來自開發者自己的內部評測，尚不是第三方獨立驗證。第二，官方橫向比較中的主流 App 只以字母代稱，沒有公布完整版本、測試樣本數與所有條件，因此不能據此斷言 Seeduplex 已全面勝過某個具名競品。
已經像真人了嗎？官方自己的圖給了更保守的答案
全雙工讓 AI 更會掌握輪流說話的時機，但不代表整段對話已經和真人一樣自然。
在官方的人類對話比較中，Seeduplex 的打斷回應分數略高於真人平均，判停也比半雙工模型進步；可是整體對話流暢度仍明顯落後真人。這個落差提醒我們，對話自然度不只取決於延遲與打斷，還包含內容是否貼合、語氣是否連貫、回應長度、情緒理解，以及模型會不會在不適合的時機主動說話。
因此，我對 Seeduplex 的判斷是中性偏正面。它證明全雙工語音可以從 Demo 走進上億使用者規模的 App，也直接改善了語音 AI 最惱人的搶話與誤打斷問題；但官方尚未公開技術報告、可重現評測或外部開發介面細節，現階段更像豆包的一項重要體驗升級，而不是所有開發者都能立刻採用的通用基礎設施。
Seeduplex 現在怎麼用？有開放 API 或模型下載嗎？
一般使用者可把豆包 App 更新到最新版本，在對話框選擇「打電話」，進入語音通話介面體驗 Seeduplex。
這次官方公告沒有提供可下載的模型權重，也沒有列出獨立開發者 API 的接入方式與價格。因此，若你是產品團隊，現階段可以研究它的互動設計，例如允許插話、區分思考停頓與句尾、處理背景人聲；但不能只根據發布文章，就把 Seeduplex 當成已能直接整合的公開 API。
另一個容易混淆的地方是視覺能力。字節跳動把加入視覺模態、實現「邊聽、邊看、邊說」列在未來計畫中，代表 Seeduplex 的方向確實可能走向即時多模態互動，但本次已上線的核心仍是語音全雙工。
結論：語音 AI 的下一步，不是更會講，而是更懂得何時講
過去兩年，AI 語音模型多半把重點放在音色、情緒與回答速度。Seeduplex 把焦點移到更細微、卻更影響日常體驗的問題：當使用者猶豫時別搶話，遇到背景人聲別亂答，被打斷時要立即停下。
這條路值得持續關注，因為客服、車載助理、語言練習與智慧硬體真正需要的，不是多一個會朗讀答案的聊天機器人，而是一個能在混亂環境裡維持對話節奏的系統。Seeduplex 已證明這種能力可以大規模落地；下一個驗證點，則是字節跳動能否公開更完整的技術與接入方式，並縮小整體流暢度與真人對話之間的差距。
FAQ
SeedRealtime 和 Seeduplex 是同一個模型嗎？
官方目前使用 SeedRealtime 作為模型產品入口，而 2026 年 4 月發布的原生全雙工語音模型名稱是 Seeduplex。舊版豆包即時語音模型頁也標示已升級至 Seeduplex，因此可以把它理解為 SeedRealtime 產品線目前的全雙工升級版本。
什麼是全雙工語音模型？
全雙工代表模型可以在輸出語音時繼續接收並理解使用者聲音。它不只支援插話，還要判斷停頓、背景音與真正的打斷意圖，才能讓對話不再是僵硬的一問一答。
Seeduplex 是音視頻模型嗎？
不是這次發布的準確描述。官方目前強調的是語音與文字模態，視覺能力仍列在後續計畫中。它可以稱為原生全雙工語音大模型，但不應寫成已經能同步處理影音的全雙工模型。
Seeduplex 已經開源或提供 API 嗎？
官方發布文章沒有提供開源權重，也沒有公布獨立開發者 API 的接入與定價資訊。目前已確認的使用入口是豆包 App 的語音通話功能。
Seeduplex 已經超越真人對話嗎？
不能這樣下結論。官方評測中，Seeduplex 的打斷回應表現接近或略高於真人平均，但整體對話流暢度仍明顯落後真人，且數據尚未經第三方獨立驗證。
