豆包AI告别“机械感”

AI语音，终于学会了“察言观色”。

字节跳动发布原生全双工语音大模型Seeduplex，已在豆包App全量上线。该模型实现边听边说、理解思考停顿、精准抗干扰，让AI语音交互告别“机械感”，更像真人。

字节SeeduplexAI告别机械音

字节跳动发布Seeduplex语音大模型

Seeduplex发布与上线情况

字节跳动Seed团队于4月9日正式发布原生全双工语音大模型Seeduplex，并已在豆包App全量上线。这意味着全双工语音技术首次走出实验室，实现了规模化落地。

Seeduplex模型具备持续倾听能力，能解析声学环境，主动忽略背景噪音和无关对话。在复杂场景下，其误回复率和误打断率比半双工模型减少一半。

Seeduplex模型联合语音和语义特征，综合判断用户是说完了还是在思考。它能耐心倾听用户思考犹豫，并在用户说完后快速响应，抢话比例相对下降40%。

Seeduplex的整体交互体验跨越式提升，判停MOS分提高了8%，对话流畅度MOS分更是大幅提升12%。用户反馈中“抢话”、“响应慢”、“误打断”等问题提及比例明显下降。

Seeduplex让AI语音交互更像真人，能够边听边说、等待用户思考、被用户打断，并听懂咖啡馆里的对话。这种体验让AI不再是机械的乖学生，而是更懂分寸的对话搭子。

大规模A/B实验数据显示，Seeduplex在用户通话时长、留存等核心指标上均实现正向提升，整体通话满意度绝对值提升了8.34%。

Seeduplex使用方式

用户需将豆包App更新至最新版本，进入App后点击右上角打电话图标，即可开启语音通话体验。在对话框内选择“打电话”也可进入语音通话界面。

Seeduplex技术原理与突破

传统半双工模式的局限

传统的半双工语音AI在复杂场景下力不从心，它在你停顿思考时抢话，或在嘈杂环境中胡言乱语。这种模式下，AI必须等你完全说完才能处理，且说话时听不见用户，无法感知背景。

全双工模式的优势

全双工模式下，用户和AI可以同时说、同时听，对话节奏自然流转。AI能同时听用户、思考自身、决定是否开口，解决了传统模式的硬伤。

Seeduplex不再是“语音转文字再理解”的流水线，而是直接对原始音频信号做特征提取，能在声学层面分辨出“哪句是冲我来的”。它将声学特征和语义状态一起纳入判断，不仅听用户有没有停，还判断用户为什么停。

Seeduplex抛弃了传统ASR→LLM→TTS的三段式拼接，构建了贴合语音实时对话原生特性的端到端架构。它通过海量语音数据预训练和多任务后训练，协同优化对话智能、超低延迟、节奏控制、抗干扰和指向性理解五项能力。

字节团队通过投机采样、量化等手段极致压榨推理性能，在成本和延迟之间找到平衡点，确保Seeduplex能全量上线。同时，他们解决了收音卡顿、播报卡顿等工程问题，确保大流量下系统稳定运行。

Seeduplex应用场景与行业意义

车载场景是最直接的应用，司机无需规矩说话，Seeduplex能在复杂声学环境里稳住主线，快速切换状态，精准交互。

教育场景如口语练习、面试模拟、陪练辅导和课堂互动，将从“语音播放器”升级为“互动对象”。模型能理解犹豫、等待思考、保持节奏，让陪练体验更沉浸。

客服与企业服务将受益于Seeduplex在多人、噪声、插话、情绪波动中稳住对话的能力，实现高价值语音系统。

Seeduplex的全量上线，可能就是语音交互领域的“GPT-3.5时刻”。它让普通人第一次感受到“和AI说话是自然的”，将语音交互从“回合制问答”推进到“实时自然交流”。

全双工的本质是AI第一次有了“对话流控制能力”，它知道何时该听、何时该说、何时该停、何时该等。这种能力是AI从“工具”走向“伙伴”的必经之路。

未来展望

持续提升模型能力

字节跳动Seed团队将继续提升模型的音频理解能力，深度优化在多人对话、智能硬件等复杂交互场景中的表现。同时，通过数据Scaling和算法优化，持续提升模型的对话节奏多样性和控制能力。

引入主动能力与多模态融合

未来，Seeduplex将在“边听边说”基础上引入模型主动能力，如在倾听中附和用户、结合声学环境和对话语境主动交互。还将实现更深度的多模态融合，引入视觉模态，实现“边听、边看、边说”的多维协同。

感知、思考、执行一体化

团队将进一步探索“边听边想”、“边听边搜”等方案，让模型具备更深度的思考和执行能力，继续提升语音交互的流畅度。以全双工为起点，期望AI能不断进化，在感知、交互与行动的闭环中，真正实现听、看、想、说、做的协同。