大伙儿估计都有同感，跟 AI 聊天时，总觉着哪儿不对劲，别扭得很。
尤其是直接开语音聊的时候，那种人和机器的隔阂感特别明显。
归根结底，现在的 AI 语音交互还像是在打回合制游戏：你讲完它接话，它说完你闭嘴。
你想自然点插个话、停个顿，根本行不通；它也搞不清你是对着它说，还是跟旁边的人闲聊。
这种交互上的硬伤，直接把 AI 死死按在“答题机器”和“代码工具”的定位上，动弹不得。
上个月，OpenAI 发布了 GPT-Live，号称能边说话边持续接收用户输入，外界评价还不错。
但不少业内人士觉得这没啥稀奇的，毕竟豆包在今年 4 月的语音通话模式里，早就把这功能给升级了。
前两天，豆包又反手把视频通话能力提了一档，接入了原生音视频多模态全双工大模型 SeedRealtime，官方宣称这能提升音视频理解力，还能更好地抗干扰和判断打断时机。
所谓的全模态全双工交互，核心就一件事：针对前面提到的那些别扭之处，特别是回合制对话的毛病，来个大版本迭代。
听着挺诱人，我们立马找了几个真实场景实测一波。
技术再牛、概念再高大上，咱们更在乎的是新能力实不实用，用起来顺不顺手，真遇上事儿能不能帮上忙。
先来个基础测试，看看新版豆包视频电话，到底还是不是那个死板的回合制游戏。
你还真别说，现在的豆包确实机灵了不少。
之前的版本里，它像个单线程生物，耳朵和嘴巴只能用一个：它在说话时，很难听见你的新指令；它在听你说话时，脑子就不转了。
如今好多了，哪怕它正叭叭叭地说个不停，只要捕捉到你的声音，立马刹车，还会根据你的新提问调整回答。
从测试视频里也能看出来，它对人类提问节奏、断句的判断更精准了。
以前你可能只是卡壳一下，话没说完，它却 get 不到，自顾自地开始回答；现在它基本能分辨出你是否说完，对话过程更像是在跟一位小姐姐面对面聊天。
不仅如此，豆姐现在的抗干扰能力也强了不少。
搁以前，它像长了顺风耳，身边有点动静就容易误判为你的新指令，转头去回应杂音；现在它像是有了声纹解锁，基本做到和你一对一私密交流。
此外，我们还发现豆包视频的识别速度相当快。
比如下面这个视频，我们在玩个小游戏，让它帮忙选武将。就咱们那手速，豆包的识别又快又准。
测试中我们发现，哪怕面对编辑部玩游戏，一个人在前头操作，后面坐着一群“狗头军师”指点的情况。
豆包也能完全 hold 住这种多人对话的复杂场景，随时在线听大家伙说话，清晰分辨出是谁在说、说了啥。
就连那位沉浸操作的同事小声嘀咕了一句“怎么冲刺”，都被豆包精准捕捉，顺手给他贴上了一个“不太会玩”的标签。
接下来，我们给豆包加了点难度。刚好编辑部在装测试平台，我们让豆包当个装机高手，指导操作流程。
结果豆包只需简单扫一眼，就知道这台测试平台的进度如何。
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，实时盯着我的手部动作，在安装内存条时，提前提醒注意正反面，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。就在我们根据指导装完显卡，以为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，都被豆包揪了出来，主打一个你随便折腾，哥们兜底。
在这个过程中，我们还发现了豆包强大的记忆功能。
因为全程开着视频，等我们装完测试平台，准备离开影棚时，突然想起有一台测试机不知道放哪了。
于是我想，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。
我就问，平时跟真人打电话，谁会帮你记随手放的东西？但豆包偏偏就替你盯在眼里了。
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。
到医院门口后，咱两眼一抹黑，问豆包先去哪儿取号。
豆包表示，面前的这个人工挂号窗口，或者边上的自主取号机都可以。
它还贴心建议，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，常见的问题是不知道咋上楼找诊室，大医院很容易把人绕晕。但现在，你只要给豆包看一眼，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，但不同医院、科室的规则和机器各异，不少人会傻眼，豆包却能一眼告诉你怎么操作。
整个测试下来，从医院大门开始，豆包一步步带我们去自助机取号、找电梯到指定楼层、签到……除了路过的护士小姐姐和路人用奇怪眼光观察世超外，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，豆包已能提供全程陪同帮助。
纵观全程，豆包的视频能力确实有了不小提升。但在我们看来，最有意思的进步并非它能多认几个东西或反应更快，而是它真的在尝试理解语气、声音等，学会了像人一样沟通。
我们也研究了一下，为啥豆包视频能力提升这么快，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，每个步骤再快，连起来也显得慢半拍。
但 SeedRealtime 最狠的一点，是将声音、画面、时序与表达全部融入一个端到端模型。
这样一来，看听说在同一套系统里进行，不分步骤前后，AI 就能通过手势和现场画面，秒懂你说的“这个、内个儿”指代什么，也才能精准过滤旁人的杂音。
同样，能持续理解视频里的场景变化，AI 也就分得清啥时候该闭嘴，啥时候能主动开口提醒了。
最后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。除了咱们提到的 GPT-Live，OpenAI 还展示了 Thinking Machines，但其功能还在演示阶段，没法让公众随意使用。
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，离贾维斯还有距离，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 的能力了。如果视频能力未来能跳出手机，比如用到智能眼镜、手环、AI 小硬件上（当然，得解决续航、散热、网络、算力等问题），或许真是一个全新的原生 AI 世界。
所以，不久的将来，如果看到谁在大街上嘀嘀咕咕，别以为人家魔怔了，或许他正在和豆包打电话呢。
撰文：八戒
编辑：江江 & 面线
美编：焕妍
图片、资料来源：
豆包
