SeedRealtime 全模态全双工模型：看懂画面、理解手势

SeedRealtime 将声音、画面、时序与表达纳入同一个模型，听、看、理解、推理、说话全在一个模型内完成。相比主流多模块级联（ASR 转文字、VLM 理解画面、TTS 合成语音）或依赖外置 VAD 的半双工逻辑，SeedRealtime 在连续音视频流上同步进行感知、理解、决策与表达。实测中，用户指着天龙功放按键问“这个怎么弄”，模型能结合画面、手势和视线方向判断指代。据称 OpenAI GPT Live 仍是音频全双工，SeedRealtime 做到了视频、音频、文本的全模态全双工。