不知道大家有没有同感，每次试图跟 AI 好好对话，总觉着哪儿都不对劲。
尤其是直接语音沟通时，那种人与机器之间的隔阂感尤为明显。
究其根本，当下的 AI 语音交互，更像是一场回合制游戏：你讲它听，它答你停。
用户无法自然地进行停顿或插话，AI 也搞不清你是对它说话，还是在跟旁人闲聊。
这种交互层面的硬伤，直接把 AI 牢牢限制在答题机和代码工具的定位里。
上个月，OpenAI 发布了 GPT-Live，实现了边说边听的功能，外界评价不错。
但不少人觉得这不算新鲜事，因为今年 4 月，豆包的语音通话模式就已升级了该功能。
前几日，豆包更是直接升级了视频通话能力，接入了原生音视频多模态全双工大模型 SeedRealtime，旨在提升音视频理解、抗干扰及打断判停效果。
所谓的全模态全双工交互，核心就是针对前述的交互痛点，对回合制对话模式进行彻底重构。
听起来确实有点意思，于是我们找了几个真实场景实测一番。
技术再高大上，咱们更关心的还是实用性：用起来是否顺手省心？遇事能否真帮上忙？
先来个基础测试，看看新版豆包视频电话，是否还停留在回合制阶段。
还真别说，现在的豆包聪明多了。
此前的版本像个单线程生物，耳朵和嘴巴不能同时工作：它在说话时，很难听见新指令；在听你说话时，便停止思考。
如今的豆包则不同，即便它正滔滔不绝，只要捕捉到你的声音，立马闭嘴，并根据你的新问题调整回答。
从测试视频中也能看出，它对人类提问和断句的判断力提升了。
以前你可能只是稍作迟疑，话未说完，它就自顾自地开始回答；现在，它基本能分辨你是否说完，对话体验更像与一位小姐姐面对面交流。
不仅如此，豆姐的抗干扰能力也显著增强。
过去，它如同顺风耳，周围稍有动静就容易误判为新指令，转头回应杂音；现在，它仿佛拥有了声纹解锁，基本实现与你的一对一私聊。
此外，我们还发现豆包视频的识别速度相当快。
如下面视频所示，我们在玩小游戏时让它协助选择武将，面对如此快速的滑动操作，豆包的识别依然又快又准。
测试中我们发现，即便在编辑部玩游戏，一人操作，身后几位“军师”出谋划策，
豆包也能从容应对这种多人对话的复杂场景，实时在线听取各方发言，清晰分辨说话对象及内容。
就连沉浸操作的同事小声嘀咕一句“怎么冲刺”，都被豆包精准捕捉，并打上了“不太会玩”的标签。
接下来，我们给豆包增加了难度。恰逢编辑部正在搭建测试平台，我们让豆包化身装机高手，指导操作流程。
结果豆包只需简单一扫，便知晓这台测试平台的进度。
紧接着我们发现，豆包不仅能指导装机步骤，还能在误操作时主动提醒。
豆包甚至很有眼力见，实时关注手部动作，在安装内存条时，提前提醒注意正反面，切勿蛮力硬怼。
更令人惊讶的是，豆包能全流程跟踪装机这类大型任务。
当我们根据指导装完显卡，以为大功告成准备收工时，
这位哥们儿居然查漏补缺：“你的显卡供电线还没接呢！”
甚至连角落里最易被忽略的主板 CPU 供电线，也被豆包发现，主打一个让你随意折腾，它来兜底。
在此过程中，我们还见识了豆包强大的记忆功能。
全程开启视频后，等我们装完测试平台准备离开影棚时，想起有一台测试机不知放哪了。
我突然想到，豆包会不会记得？结果它还真记着呢。
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。
我问，平时真正的人类打电话，谁会帮你记随手放置的物品？但豆包偏偏就看在眼里了。
如果说装机只是影棚里的极客游戏，那么在嘈杂混乱的真实医院里，豆包还能扛得住吗？
于是我们将豆包带入医院，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就诊。
到达医院门口，我们对环境两眼一抹黑，询问豆包先去何处取号。
豆包建议，面前的窗口或旁边的自助取号机均可。
它还贴心提示，若已提前预约且人工窗口排队人多，选自助取号更方便。
按引导取好预约号后，常见难题是找不到诊室，尤其大医院容易让人迷路，但现在，只需拍给豆包看，它会告知路线。
同理，到了诊室门口，多数医院需先签到才进入排队序列，但不同医院、科室的规则和设备各异，常让人懵圈，豆包却能一眼看清操作指引。
整个测试下来，从医院大门开始，豆包一步步引导我们去自助机取号、乘电梯至指定楼层、签到……除了路过的护士和路人用异样眼光打量世超外，几乎挑不出毛病。
由此可见，在取号、找楼层、识别签到设备等流程性任务上，豆包已能提供全程陪同协助。
纵观整体表现，豆包的视频能力确有大幅提升。但在我们看来，最有意义的进步并非它能多认几个物体或反应更快，而是它真的在尝试理解语气、声音等细节，真正学会了像人一样沟通。
我们也研究了豆包视频能力进步神速的原因，发现幕后功臣正是底层模型 SeedRealtime。
以往 AI 的视频通话本质上是流水线作业：
AI 先听声音转文字，再看屏幕截图，综合处理后生成语音回答。
这种串联思路，即便每一步处理再快，连起来也显得慢半拍。
而 SeedRealtime 的厉害之处在于，将声音、画面、时序与表达全部融合进一个端到端模型。
这样一来，看、听、说在同一系统内同步进行，不分先后步骤。AI 能通过手势和现场画面，秒懂你口中“这个、那个”指代何物，也能精准过滤旁人的杂音。
同样，因能持续理解视频中的场景变化，AI 也就分得清何时该闭嘴，何时可主动开口提醒。
最终呈现的效果，便是懂得察言观色，宛如真人。
理清这些底层逻辑后，你会发现，豆包此次展现的能力，也是目前整个 AI 行业攻坚的方向之一。
海外大厂也在推进实时语音、多模态交互和思考模型，除前述的 GPT-Live，OpenAI 还展示了 Thinking Machines，但其功能尚处演示阶段，公众无法随时使用。
因此，豆包的音视频全双工能力，才是真正向着我们期待的贾维斯方向迈进。
当然，距贾维斯仍有距离，目前仍需手持手机，且视频通话受网络、续航等因素制约。
但至少从这次体验来看，AI 助手正从“一问一答”，转变为能边看、边听、边协助的角色。
再多说两句，我们突然觉得手机形态或许限制了未来 AI 的发展。若视频能力能跳出手机，应用于智能眼镜、手环或其他 AI 硬件（当然需解决续航、散热、网络、算力等问题），或许将迎来一个全新的原生 AI 世界。
所以，不久的将来，若见有人在街头喃喃自语，别以为他魔怔了，也许他正和豆包通电话呢。
撰文：八戒
编辑：江江 & 面线
美编：焕妍
图片、资料来源：
豆包
