火山引擎近日上线豆包实时音视频通话模型 SeedRealtime 1.0 的 API 服务。开发者和相关应用可以通过这套接口,获得实时音视频交互能力。
以往搭建语音和多模态系统时,常需把语音识别、视觉语言模型、语音合成等模块串联起来。逐级处理会带来额外响应延迟,语气、情感等细节也可能在模块传递中损耗。
SeedRealtime 1.0 采用端到端统一建模思路,把声音、画面、时序与表达放入同一个模型处理。它可以在通话中一边接收画面和声音,一边实时输出语音,让交互过程更接近自然对话,并减少级联环节造成的问题。
开放 API 后,火山引擎把这种能力输送给外部生态。智能助手、实时陪伴以及需要同步理解视觉画面和语音输入的场景,都能借助该模型提升响应的自然度与连贯性。

