ChengRang
EN

SeedRealtime 1.0 热门 新增

AI 音频音乐 付费

火山引擎 2026/11/19 全量上线的豆包实时音视频通话模型 API,把声音、画面、时序与表达放进同一个端到端模型,画面因此能参与开口时机的判断,官方称相比 ASR、VLM、TTS 级联链路对话节奏问题减少一半;按分钟计费,纯语音 0.2 元/分钟、带视频 0.4 元/分钟,默认 5 并发,提供 Android 与 iOS SDK

火山引擎 豆包 实时音视频 端到端 主动提醒 国产
访问 SeedRealtime 1.0 官网

免责声明:测评内容仅代表编辑个人观点和使用体验,不构成任何商业推荐或投资建议。产品信息和价格可能随时变动,请以官方最新信息为准。

产品简介

做实时音视频对话,过去的标准做法是把语音识别、视觉理解、语音合成三个模型串起来。每一跳都丢一点信息,也加一点延迟。更麻烦的是什么时候该开口这件事,级联系统交给一个只听声音的小模块去猜,靠静音判断你有没有说完。猜早了打断你,猜晚了你说完半天它还没反应。

SeedRealtime 1.0 换的是另一条路。火山引擎 11 月 19 日把豆包实时音视频通话模型的 API 全量上线,声音、画面、时序与表达放进同一个端到端模型。画面因此能参与开口时机的判断,而不只是决定说什么。这个变化听起来小,落到体验上是两套东西。

官方演示里有两个场景能说明差别。机场里背景是陌生人闲聊,模型要分辨哪句是对它说的,在用户提问时调出刚才看到的大屏航班信息,再识别指示牌把人引到网约车上车点。多人聚餐时,它要分清桌上几个人分别是谁,记住各自身份,再按每个人不同的需求给旅行方案。这类任务级联系统也能做,只是指代一旦跨到画面上,比如用户说这个、那里,链路中间那层视觉信息早就丢干净了。

第二处区别在谁先开口。模型被设计成持续观察而不是等提问,察觉目标出现、画面状态变化或任务节点到达时,主动出声提醒。咖啡机的例子里,用户把整颗豆子倒进萃取手柄,它提醒要先研磨;萃取完看油脂和出液量,再建议缩短时间。学习场景里它盯着翻页,翻到指定章节就出声,顺口报出学习率、动量、权重衰减这些训练参数。

抗干扰决定这套东西能不能进真实场景。官方举的例子是家庭场景,妈妈在旁边忙,让模型陪女儿学动物英文,背景里爸爸在打电话人声不断,模型要一直跟着女孩手指的方向纠音造句。火山引擎给的口径是,相比依赖 ASR、VLM、TTS 串联的级联系统,音视频对话节奏问题减少了一半,单次对话完整顺畅交流的概率也有明显提升。这个一半是官方内部对比数据,没有给测试集与复现配置。

价格按分钟算,分两档。只传音频 0.2 元一分钟,传了视频帧或图片按 0.4 元一分钟,这一档已经包含语音部分。视频帧频率高于 0.5fps 时,通话时长就是视频计费时长;低于这个频率,每传一张图折算 2 秒。资源包能压价,100 分钟 19.6 元,5 万分钟 9600 元,50 万分钟 9.4 万元,200 万分钟 36 万元,折下来 0.18 到 0.196 元一分钟。抵扣比例也不一样,语音 1 比 1,视频 1 比 2。默认最大 5 并发,要更多得单独谈。

接入侧给了 Android 与 iOS 的 SDK 文档,模型本身也在豆包 App 里全量内置,普通用户更新后点打电话再开摄像头就能用。这条线的好处是可以先在 C 端验证体感,再决定值不值得为 API 付钱。

官方没公布三件事:模型参数量、上下文或单次会话时长上限、端到端延迟的毫秒数。这三个数字恰恰是评估实时语音产品时最该先看的,尤其最后一个,官方只说了节奏问题减少一半,没给绝对值。另外它的定位是通话,不是通用视觉推理,拿它去做长视频理解或复杂图表问答属于错配。

适合三类团队。做智能硬件与陪伴类产品的,需要在嘈杂环境里稳定接话;做实时客服与远程导览的,需要模型看着画面主动提示;以及手上已经有一套三级级联管线、想用一次改造换掉三段拼接的。

核心功能

适合谁用

以下类型的用户会特别受益于 SeedRealtime 1.0:

优点亮点

价格与方案

按分钟后付费:只传音频 0.2 元/分钟,传视频帧或图片 0.4 元/分钟,视频档包含语音费用。视频帧高于 0.5fps 时按通话时长计费,低于 0.5fps 时每张图折算 2 秒。资源包 100 分钟 19.6 元(0.196 元/分钟)、5 万分钟 9600 元(0.192)、50 万分钟 94000 元(0.188)、200 万分钟 360000 元(0.18);抵扣时语音 1:1、视频 1:2。默认最大 5 并发,扩容需单独咨询。

总结与建议

它把级联管线的三段合成一段,最实际的变化是画面开始参与开口时机的判断。价格按分钟走,视频档 0.4 元一分钟,比纯语音 API 贵,省下的是自己拼三段的人力与延迟。官方没给端到端延迟的绝对值,也没给模型参数与上下文上限,上线前需要自己压测一遍。

版本演进

分类
AI 音频音乐
价格
付费
标签
火山引擎 · 豆包 · 实时音视频