首页财产ai正文 字节Seed最新模子，让豆包学会闭嘴听人措辞 4月9日字节跳动旗下AI研究团队Seed发布新语音模子Seeduplex并全量上线豆包App，其全双工特征晋升语音交互体验，解决繁杂场景问题，但与真人对于话仍有差距 。 2026-04-10 16:21 ·微信公家号：硅星人董道力 AI投资人解读· 字节跳动旗下AI研究团队Seed发布新语音模子Seeduplex并全量上线，其亮点是全双工，能同时收发旌旗灯号，互不滋扰，解决了此前语音模子的问题，晋升了语音质量及交互体验，还有扩大了利用场景。 · 全双工语音AI竞争格式中，原生音频全双工虽走患上远但难落地，Thinker-Talker分散架构有价钱，流式级联管道方案无全双工能力，Seeduplex于豆包上不变运行，但与真人对于话流利度仍有差距。 总结：Seeduplex的全双工技能有上风，为语音交互带来新可能，但于不变性及对于话流利度上仍需改良，将来还有有许多工程难题待解，不外其于语音AI成长中是主要节点，具有投资潜力，值患上存眷技能迭代及运用场景拓展。内容由AI天生，仅供参考

4 月 9 日，字节跳动旗下 AI 研究团队 Seed 发布了新的语音模子 Seeduplex，同步完成为了于豆包 App 的全量上线。

语音模子咱们已经经见过许多了，更新迭代无非是声音更拟人、延迟更低。而 Seeduplex 的亮点不于这些，而是它文章标题里藏着的一个词：Full-Duplex，中文翻译过来叫“全双工”。

这几个字，到底甚么意思。

豆包学会边说边听

全双工是通讯工程里的术语，简朴来讲，就是通讯两边可以同时收发旌旗灯号，互不滋扰。

好比对于讲机是半双工，统一时刻只能一小我私家措辞，说完松开按钮对于刚刚能启齿，而德律风是全双工，两小我私家可以同时措辞，同时听。

豆包此前的语音模子，素质上是对于讲机逻辑。架构上"听"及"说"是两个自力状况，不克不及同时运行。

模子于输出语音的时辰，麦克风输入要末被关失，要末不被处置惩罚。判定你是否说完了的，是一个叫 VAD（语音勾当检测）的自力模块，检测到声音停了，才切换到"处置惩罚"状况，再天生答复。

VAD 只看声音有无，不懂你于说甚么。你停两秒想词，它判断你说完了，阁下有人咳嗽，它判断你启齿了。

按字节的技能文档说法，传统半双工体系"利用自力的 VAD 举行机械式音频支解，因为决议计划仅限在伶仃的声学特性或者局部文本语义特性，这些体系于繁杂情况中轻易被带跑，或者于用户搁浅时触发过早相应"。

Seeduplex 则解决了这个问题。

模子于措辞的同时，连续处置惩罚麦克风输入，及时判定哪些声音是用户于对于它措辞，哪些是配景噪音，哪些是搁浅思索而不是说完了。

这套判定交由统一个 LLM 同一完成，声学特性及语义上下文同时介入决议计划，再也不是几个自力模块各干各的。及此前豆包利用的半双工框架比拟，Seeduplex 的判停 MOS 分提高了 8%，对于话流利度 MOS 分晋升了 12%。

（MOS 是通讯范畴权衡语音质量的主不雅评测尺度，素质上是让真实用户打分，再取平均值。分数越高，代表用户感知到的体验越好。)

详细指标上，判停延迟降低约 250ms，繁杂场景下 AI 抢话比例削减 40%，用户想打断时，相应延迟缩短约 300ms，正确率同步晋升，繁杂声学滋扰场景下，误答复率及误打断率降低一半。

字节还有做了一组真人对于话测试，把 Seeduplex、半双工方案及人人对于话放于一路比。判停上 Seeduplex 比半双工晋升了 8%。相应打断上甚至略好过人人对于话的平均程度，由于真实对于话里人也会偶然反映慢（实在半双工也好过人人）。但总体对于话流利度上，及真人谈天仍有不小的差距。

全双工的豆包交互越发天然

说完技能层面的变化，利用场景上，全双工的 AI 语音的界限也有不小扩大。

好比开车时，车里播送及导航同时于响，你顺口问 AI"这条路堵不堵"，Seeduplex 能从稠浊的声音里分辩出哪句是你说的，直接回覆，而不是被导航播报带跑。

于咖啡馆遇到伴侣打了个号召，或者者快递员敲门你随口应了一声，AI 能判定出这些话不是对于它说的，不会插进来乱回。

练英语白话时，你磕磕绊绊说了半句，停下来想词，改口重说，AI 不会于你搁浅的间隙抢话，而是等你把完备的意思说出来，再给反馈。

这几个场景有一个配合点：你不需要专门腾出时间、找平静处所、说完备句子。对于话嵌进了一样平常勾当，而不是一样平常勾当为对于话让路。

全双工还有带来了一种新的交互可能，AI 最先有了"措辞间隙"。之前 AI 措辞时你只能等，或者者作声强行打断，但它停下来不是由于听懂了你想说甚么，而是检测到有声音进来了。此刻你说"等一下"，它能听懂这是打断用意，马上停下来。

反过来，当你于措辞时，AI 也能给出及时的回应旌旗灯号，好比"嗯""好的"，而不是缄默沉静着等你把话说完。

这类你来我往的节拍，是半双工架构物理上做不到的事。

以前的半双工 AI 语音的隐性条件是，用户必需进入"利用 AI 模式"。这个条件把语音 AI 的可用处景锁于了一个很窄的规模里。

全双工解决了这个条件，让用户更愿意及豆包对于话了。

AI 语音助手的技能分野

全双工语音 AI 的竞争格式，今朝有几个标的目的于跑，技能线路差异很年夜。

原生音频全双工是走患上最远、也最难落地的一条。

代表是法国 AI 试验室 Kyutai 于 2024 年 9 月发布的开源模子 Moshi，用统一个底层模子于并行流上同时对于用户音频及体系音频建模，并引入"心田独白"机制，于天生音频的同时猜测对于齐文本作为内部推理层，顺带得到了流式转写能力。

NVIDIA 本年 1 月发布的 PersonaPlex 于此基础上引入混淆提醒体系，让模子可以经由过程文字界说脚色、语音嵌入界说声音特性，饰演特定人格。

这个标的目的的问题是不变性，学术前驱占多数，没有产物化落地。

Thinker-Talker分散架构是另外一种实现路径。

阿里 2025 年 3 月发布的 Qwen2.5-Omni 将推理及输出拆成 Thinker 与 Talker 两个组件，前者于文本域完成推理，后者把成果及时转为音频，LLM 生态的长上下文、东西挪用、检索注入全数可以复用。

价钱是同时据说比双流方案更难实现，端到端延迟高在流式级联管道方案。

流式级联管道（ASR→LLM→TTS）是今朝出产情况最遍及的方案。延迟可控于 1 秒之内，东西挪用撑持最成熟，但素质是轮流制，体系必需等用户说完才能处置惩罚，全双工能力无从谈起。

Seeduplex 属在原生音频全双工标的目的，但解决了其他方案没有解决的问题：于豆包上不变运行。

学术情况及产物情况的差距，比大都人想象的年夜。字节于技能文档中提到，落地历程中需要解决的包括高并发下的延迟抖动、音频输入输出卡顿及办事不变性，这些问题于论文里不存于，于数亿用户眼前全会呈现。

全双工解决了能不克不及同时据说的问题，说患上多天然还有需要改良。

字节本身于文章末尾也认可，与真人对于话比拟，总体流利度仍有相称差距。下一步包括多方对于话场景优化、引入视觉输入实现听看说联动，以和边听边思索、边听边搜刮等标的目的，每个都是新的工程难题。

从对于讲机到德律风，中间有许多年的演化，Seeduplex 是这条路上的一个节点，不是尽头。

【本文由投资界互助伙伴微信公家号：硅星人授权发布，本平台仅提供信息存储办事。】若有任何疑难，请接洽（editor@zero2ipo.com.cn）投资界处置惩罚。