Seeduplex

字节跳动 Seed 团队于 2026 年 4 月 9 日发布的原生全双工端到端语音大模型，已在中国大陆豆包 App 全量上线，服务上亿用户。

基本信息

属性	值
发布日期	2026-04-09
团队	字节跳动 Seed
前代模型	Seed Realtime Voice（豆包端到端语音模型，半双工）
底座	字节自研 LLM
部署	豆包 App "打电话"功能
范式	全双工（listen while speaking）

核心技术突破

1. 精准抗干扰（Precision Interference Suppression）

模型持续接收用户侧音频，感知全局声学环境，区分交互声音与干扰声： - 声场理解 + 主动联动： 解析环境音并纳入推理上下文（如背景播放杭州介绍 → 主动关联用户旅游计划） - 剥离干扰，锁定主用户： 车内播报 + 导航声混杂场景下稳定过滤干扰 - 意图识别，忽略非交互声： 咖啡厅旁人插话、门口外卖员等场景自动忽略 - 多人重叠场景处理

效果： 复杂声学场景下误回复率和误打断率降低 50%

2. 动态判停（Dynamic Endpoint Detection）

语音 + 语义联合建模判断用户意图： - 用户思考犹豫时耐心倾听（包容留白） - 用户说完后快速响应 - 反复调整的复杂表达中准确捕捉真实意图

效果： AI 抢话比例相对减少 40%，判停延迟降低约 250ms

3. 打断响应

效果： 打断响应延迟缩短约 300ms，响应准确率更高

训练方法

海量语音数据预训练
强化学习（RL）优化
语音语义联合建模
关键能力（对话节奏控制、抗干扰、轮次切换、指向性理解）原生融入模型训练体系
工程优化：攻克高并发下卡顿与稳定性，支持亿级用户

评测数据

指标	提升幅度
判停 MOS 分	+8%
对话流畅度 MOS 分	+12%
整体通话满意度	+8.34%
判停延迟	-250ms
AI 抢话比例	-40%（相对）
打断响应延迟	-300ms
误回复率 / 误打断率	-50%

人人对比

以真人对话为基准： - 判停表现显著优于半双工方案 - 打断响应略优于真人对话平均水平 - 整体对话流畅度与真人对话仍有差距

未来路线图

提升音频理解，优化多人对话、智能硬件等复杂场景
数据 Scaling + 算法优化 → 更丰富的对话节奏
引入主动能力（附和、主动交互）
多模态融合 → "边听、边看、边说"
感知-思考-输出一体化 → "边听边想"、"边听边搜"