IT之家 · 智能时代T2·基座大模型
78 分
火山引擎正式上线豆包实时音视频通话模型 SeedRealtime 1.0 的 API 服务,将声音、画面与时序信息统一到单一端到端模型,实现边看边听边说的全模态实时交互。相比 ASR+VLM+TTS 级联方案,该模型显著降低延迟叠加与信息损耗,音视频对话节奏问题减少一半,并具备主动表达与抗干扰能力。
Cascaded Speech Pipeline
由 ASR、VLM、TTS 等多模块串联的语音交互架构,存在延迟叠加与信息损耗
火山引擎正式上线豆包实时音视频通话模型 SeedRealtime 1.0 的 API 服务,将声音、画面与时序信息统一到单一端到端模型,实现边看边听边说的全模态实时交互。相比 ASR+VLM+TTS 级联方案,该模型显著降低延迟叠加与信息损耗,音视频对话节奏问题减少一半,并具备主动表达与抗干扰能力。