11月19日,北京火山引擎科技有限公司上线豆包实时音视频通话模型SeedRealtime 1.0的API服务,面向需要实时多模态交互的业务场景提供接口能力。
该模型把声音、画面、时序和表达放在同一个端到端流程中处理,能够进行多模态实时交互,并具备持续感知环境与主动表达的能力。
与依赖ASR、VLM、TTS等模块逐级串联的传统方案相比,这一路径减少了环节衔接带来的延迟和信息损耗。
在实际对话中,模型可识别当前说话对象,结合上下文消解同音歧义,理解视觉时序指代;面对嘈杂开放环境,也保持较高的鲁棒性。
此次API服务意在提升真实业务场景下智能交互的效率与自然度。




