大伙儿是不是也有同感？每次想跟 AI 好好唠两句，总觉得哪儿都不对劲，浑身别扭。

尤其是直接拿语音跟 AI 沟通的时候，那种人和机器之间的鸿沟，简直肉眼可见。

说到底，现在的 AI 语音交互，玩的就是个回合制：你开口它闭嘴，它说话你听着。

你想自然地插句话、停个顿，门儿都没有；它也搞不清你是对它讲，还是在跟旁边的人聊天。

这种交互上的硬伤，直接把 AI 死死按在答题机和代码工具那摊子里，动弹不得。

上个月，OpenAI 甩出了 GPT-Live，号称能边说边听用户输入，外界评价还挺高。

但不少人撇嘴：这有啥新鲜的？早在今年 4 月，豆包的语音通话模式里，这功能就升级过了。

前两天，豆包又反手把视频通话能力拔高了一截，接入了原生音视频多模态全双工大模型 SeedRealtime，宣称能提升音视频理解力，抗干扰和打断判停也更溜了。

所谓的全模态全双工交互模型，核心就一件事：针对前面提到的那些拧巴处——比如回合制对话的死板，来个大版本迭代。

听着挺带感，咱们立马拉几个真实场景实测一波。

技术再牛、概念再高大上，咱们关心的还是这新玩意儿实不实用。用起来顺不顺手？省不省心？真遇上事儿能不能顶用？

先来个基础的，测测新版豆包视频电话，到底还搁这儿玩回合制吗？

还真别说，这版本的豆包确实精明了不少。以前的视频交互，它像个单线程生物，耳朵和嘴巴只能忙活一个。它要是正说着话，你的新指令它就听不见；它在听你说话时，脑子也就停转了。

现在的豆包好多了，哪怕它正叭叭叭地说个不停，只要捕捉到你的声音，立马刹住车，还会根据你的新提问调整内容。

从测试视频里也能看出来，它对人类提问的断句判断更准了。

以前你可能只是卡壳一下，话没说完，它却 get 不到重点，自顾自地开始回答。现在，它基本能分清你到底说完没，聊起来更像跟个小姐姐面对面谈心。

不仅如此，豆姐的抗干扰能力也强了不少。

以前它像长了顺风耳，周围有点动静，就容易误判是你的新指令，转头去回应杂音。现在嘛，它像是装了声纹解锁，基本做到了和你一对一私聊。

我们还发现，如今豆包视频的识别速度相当硬核。

比如下面这个视频，我们在玩游戏让它帮忙选武将。就咱这手速滑动的幅度，豆包的识别又快又准。

测试中我们还观察到，哪怕是在编辑部打游戏，一个人在前头操作，后面坐着一群“狗头军师”出谋划策。

豆包也能完全 hold 住这种多人对话的复杂场面。它能随时在线监听大家伙的发言，清晰分辨出谁在说话、说了啥。

就连旁边沉浸操作的同事小声嘀咕了一句“怎么冲刺”，都被豆包精准抓包，顺便给这人贴了个“不太会玩”的标签。

接下来，我们给豆包上了点强度。刚好编辑部在装测试平台，我们就让豆包当回装机高手，指导操作步骤。

结果豆包只需简单扫一眼，就知道这台测试平台的进度条走到哪了。

紧接着我们发现，豆包不光能在装机过程中指点迷津，还能在误操作时主动提醒。

豆包甚至超有眼力见，实时盯着我的手部动作。装内存条的时候，提前提醒注意正反面，千万别用蛮力硬怼。

而且我们发现，豆包完全可以全流程跟踪装机这种大型任务。就在我们按它的指导装完显卡，觉得大功告成准备收工时。

这哥们儿居然查漏补缺了：“你丫的显卡供电线还没接呢！”

甚至连角落里最容易被忽略的主板 CPU 供电线，也被豆包揪了出来。主打一个你随便折腾，哥们兜底。

在这个过程中，我们还见识了豆包强大的记忆功能。

因为全程开着视频，等我们把测试平台装完，准备离开影棚时，突然想起有台测试机不知道放哪了。

于是心想，豆包会不会记得？结果它还真记着。

要知道，这不仅是听懂话，简直是 AI 吃了哆啦 A 梦的记忆面包。

我就问，平时跟真人打电话，谁会帮你记随手放的东西？豆包偏偏就帮你盯在眼里了。

如果说装机只是在影棚里的极客游戏，那在人声鼎沸、流程复杂的真实医院里，豆包还顶得住吗？

于是，我们把豆包带到了医院，想试试更新后的视频能力，能否辅助老人等特殊人群在大医院独自看病。

到了医院门口，咱主打一个两眼一抹黑，问豆包先去哪儿取号。

豆包表示，面前的这个人工挂号窗口，或者边上的自助取号机都可以。

它还贴心地建议：如果提前预约好了，人工窗口排队人多，选自助取号更方便。

按照引导取好预约号后，常见难题就是找不到诊室。特别是一些大医院，很容易把病人绕晕。但现在，你只要给豆包看一眼环境，它会告诉你怎么走。

同样的，到了诊室门口，现在很多医院得先签到才能进入排队队列。不同医院、科室的签到规则和机器五花八门，不少人都会傻眼。豆包却能一眼看穿，告诉你怎么操作。

整个测试下来，从医院大门开始，豆包一步步带着我们自助取号、找电梯去指定楼层、签到……除了路过的护士小姐姐和路人会用奇怪的眼神打量世超，几乎挑不出毛病。

所以在取号、找楼层、识别签到设备这些流程性任务上，豆包已经能提供全程陪同的帮助。

总得来看，豆包的视频能力确实有了不小飞跃。但在我们看来，最有意思的进步不是它多认了几个东西，也不是反应更快，而是它真的在尝试理解语气、声音，真正学会了像人一样沟通。

我们也研究了一下，为啥豆包视频能力进步这么快。发现真正的功臣是底层的 SeedRealtime。

以前 AI 所谓的视频通话，本质上是流水线作业：

AI 先听到声音，转成文字，再看屏幕截图，综合处理后生成语音回答。

这种串联思路，每个步骤处理再快，连起来就显得慢半拍。

但 SeedRealtime 最狠的一点，是将声音、画面、时序与表达，全部融合进一个端到端模型。

这么一来，看、听、说在同一套系统里进行，不分步骤也不分先后。AI 能通过手势和现场画面，秒懂你说的“这个、内个儿”指代什么，也能精准过滤掉旁人的杂音。

同样，因为能持续理解视频里的场景变化，AI 也就能分清什么时候该闭嘴，什么时候该主动开口提醒。

最后呈现给人的表现，就是懂得察言观色，像个真正的人了。

搞明白这些底层逻辑后，你就会发现，豆包这次展现的能力，也是目前整个 AI 行业死磕的方向之一。

隔壁海外大厂们也在提实时语音、多模态交互和思考模型。除了前面提到的 GPT-Live，OpenAI 还拿出了 Thinking Machines 露脸，但功能还在演示阶段，没法让公众随手敞开用。

所以，豆包的这个音视频全双工能力，才是真正开始往我们期待的贾维斯方向进化。

当然了，离贾维斯还有段距离。现在你还得举着手机，视频通话也受网络、续航等条件限制。

但至少从这次体验看，AI 助手正在从“你问一句、它答一句”，变成一个能边看、边听、边协助的角色。

再多说两句，我们突然觉得手机形态有点制约未来 AI 的能力发挥。如果视频能力未来能跳出手机，比如用在智能眼镜、手环、AI 小硬件上（当然，得搞定续航、散热、网络、算力等问题），或许真是一个完全崭新的原生 AI 世界。

所以，不久的将来，如果在街上看到有人嘀嘀咕咕，别以为人家魔怔了，或许他正在跟豆包打电话呢。

撰文：八戒

编辑：江江 & 面线

美编：焕妍

图片、资料来源：

豆包