边说边听，告别机械问答

字节跳动 Seed 团队于近日正式发布 Seeduplex，这是一款基于「边说边听」框架构建的原生全双工语音大模型。与上一代豆包端到端语音模型的半双工架构相比，Seeduplex 让 AI 具备同步收听与发言的能力，从根本上改变了人机语音交互的底层逻辑。全双工技术意味着对话不再是简单的轮流发言，而是更接近真实人际交流的动态节奏——AI 可以在说话的同时持续感知用户的声学环境，并在恰当时机做出响应。

传统半双工系统通常依赖级联模块设计，使用独立的语音活动检测（VAD）进行机械式音频切割，或借助传统算法进行前端降噪。由于决策仅依赖孤立的声学特征或局部文本语义特征，这类系统在复杂环境中极易「跑偏」，或在用户停顿时触发抢答。Seeduplex 则通过语音数据预训练，实现了语音与语义信息的整体理解，能够动态编排对话节奏，在干扰抑制和节奏把控上均大幅超越传统方案。

在干扰抑制方面，Seeduplex 持续接收并理解用户侧音频，精准判断哪些声音是真实的交互意图，哪些属于背景干扰。无论是车内频繁播报的导航语音、咖啡馆中偶遇朋友的寒暄，还是快递员敲门时的对话，系统均能从语义层面识别出真正面向模型的交互内容，避免误响应，保持主对话的连贯性。在复杂场景下，其误响应率和误打断率较半双工方案降低了一半。模型甚至能解析环境音并将其纳入推理上下文，主动将环境信息与对话内容关联，提供更贴心的回应。

在自适应端点检测方面，Seeduplex 联合利用语音特征与语义特征，整体判断用户意图，实现更自然的对话流转。当用户犹豫或停顿思考时，模型会耐心等待；一旦用户说完，则迅速响应。这一机制使抢答率较半双工方案下降 40%，在以端点检测准确率为核心的人类相似度测试中，较半双工方案提升了 8%，对话节奏更加均衡自然。

在工程层面，Seeduplex 克服了高并发场景下的延迟抖动与稳定性难题，在保持模型智能上限和超低延迟的同时实现了大规模部署。目前，Seeduplex 已在豆包 App 全量上线，成为业内首个完成大规模商业化落地的全双工语音交互方案，为数亿用户提供持续高质量的实时语音交互体验。多维度评测显示，Seeduplex 在对话流畅度和节奏感上均显著优于传统半双工方案及主流 App 的语音通话体验。

要点

• Seeduplex 是字节跳动首款原生全双工语音大模型，支持 AI 同步收听与发言，彻底改变半双工轮流问答模式
• 复杂场景下误响应率与误打断率较半双工方案降低一半，抢答率下降 40%，端点检测人类相似度提升 8%
• 模型能解析环境音并纳入推理上下文，在多人混音、背景噪声等复杂声学环境中精准识别用户真实意图
• Seeduplex 已在豆包 App 全量上线，成为业内首个大规模商业化落地的全双工语音交互方案