改寫語音交互行規(guī)，豆包大模型更穩(wěn)了

全雙工模式才是王道

撰文/陳鄧新

編輯/李 季

排版/Annalee

豆包大模型，又上新了。

2026年4月9日，原生全雙工語音大模型Seeduplex正式發(fā)布，相比上一代半雙工豆包端到端語音模型，新模型基于“邊聽邊說”的全新框架設計，交互體驗的自然感、順暢度大幅提升，目前已在豆包App全量上線。

這意味著，前沿的全雙工語音技術，第一次實現(xiàn)商業(yè)規(guī)模化落地。

而依托全雙工語音技術，豆包的語音交互不再是機械式的一問一答，而是收放自如的聊天搭子，活人感躍然紙上。

顯而易見，AI應用“一哥”如虎添翼了。

活人感才是語音交互的核心競爭力

語音交互，成為互聯(lián)網(wǎng)競爭的主戰(zhàn)場。

起初，人類觸達數(shù)字世界交互方式為命令行；之后，圖形界面接棒，造就了PC的輝煌；等到觸控起勢，移動互聯(lián)網(wǎng)的序幕也隨之拉開。

如今，交互方式又有了新范式。

AI時代，語音交互走到了C位，不再是一個可有可無的輔助功能，而是提升交互效率、改變交互形態(tài)的核心載體。

皆因，語言才是人類表達意圖的最短路徑。

如此一來，基于AI技術的語音交互正在打破現(xiàn)實世界與數(shù)字世界的交流壁壘，通過顛覆使用習慣的方式完成交互躍遷。

問題在于，傳統(tǒng)的語音交互是半雙工模式。

半雙工模式之下，同一個時間段內(nèi)只有一個動作發(fā)生，用戶說話了則AI只能聽著，反之亦然，這個過程一板一眼，不容絲毫偏差。

通俗易懂地說，AI在語音交互的過程中缺乏活人感。

此背景下，哪怕語音識別與自然語言理解兩大技術成熟，語音識別準確率接近人類水平，也沒有讓傳統(tǒng)的語音交互出圈。

一名互聯(lián)網(wǎng)觀察人士告訴鋅刻度：“半雙工模式無法打斷正在進行的說話、難以過濾復雜環(huán)境的雜音、沒法感知用戶的正常停頓等，容易出現(xiàn)搶話、跑題等令人尷尬的問題，嚴重影響了用戶的交互體驗，直白地說就是AI彬彬有禮卻無法與用戶共情。”

Seeduplex的全雙工模式，則有效解決了上述問題。

全雙工之下，同一個時間段內(nèi)用戶與AI可以雙向交流，即用戶可以隨時插話與打斷，AI也可以持續(xù)傾聽與及時響應。

在此過程中，Seeduplex進行全局聲學環(huán)境感知，精準篩選出用戶與模型交互的真正聲音，過濾背景帶來的各種干擾聲，從而將誤回復率與誤打斷率降低了一半，用戶無需提高音量或尋找安靜角落，即可進行高質(zhì)量的對話。

精準抗干擾之外，Seeduplex還具備動態(tài)判停能力。

通過聯(lián)合語音和語義特征，綜合判斷用戶意圖，面對用戶的思考猶豫，模型可以耐心傾聽；在用戶說完后，又可以快速響應，從而搶話的概率相對降低了40%。

對此，一名專業(yè)人士表示：“通過語速、語調(diào)、語義的綜合考慮，動態(tài)判停可以共情式傾聽用戶，理解用戶的停頓到底是在思考，還是真正把話說完了，這才是Seeduplex最大的競爭優(yōu)勢。”

一言以蔽之，Seeduplex成為一個有溫度、有深度、有人格、有靈魂的交互主體，依托活人感走了一條差異化競爭的道路。

畢竟，活人感才是語音交互的核心競爭力。

率先突破的為何是豆包

全雙工模式堪稱降維打擊，自然成為行業(yè)追逐的焦點，可唯獨豆包大模型成為行業(yè)“吃螃蟹”的第一人，并非偶然。

一方面，語音交互一直是豆包的底色。

自推出以來，語音交互就成為豆包用戶體驗的核心支柱，其即時互動感頗受年輕人的青睞，進而營造了高粘性、正循環(huán)的社交氛圍。

由此一來，豆包成為AI應用賽道的“一哥”。

QuestMobile的數(shù)據(jù)顯示，截至2025年9月，AI應用市場移動端、PC端月活躍用戶數(shù)分別達到7.29億、2.00億；其中，排名第一的豆包的月活躍用戶規(guī)模為1.72億。

華熙生物董事長趙燕表示：“豆包這些AI，是生活的一部分，工作的一部分。重復、需要耗時耗力的一些事兒，我會讓豆包來做。AI給我們帶來的是業(yè)務的重塑，原來可能幾十個人的團隊要干兩年，現(xiàn)在可能（只需要）五個小時。”

正因為如此，豆包的語音交互生態(tài)每天都在源源不斷產(chǎn)出海量的真實數(shù)據(jù)，為孵化Seeduplex提供了肥沃的土壤，其訓練語料的優(yōu)勢無法比擬。

另外一方面，豆包大模型的底蘊深厚。

豆包大模型2024年5月的日均Token使用量為1200億，到了2026年3月日均Token使用量已突破120萬億，足足增長了1000倍。

須知，Token使用量是衡量AI發(fā)展速度的核心指標。

這意味著，豆包大模型不斷技術迭代，從可用走向好用，為半雙工豆包端到端語音模型迭代為原生全雙工語音大模型Seeduplex創(chuàng)造了良好的條件。

火山引擎總裁譚待表示：“只有大的調(diào)用量，才能打磨出好模型。只有在真實場景中落地，用的人越多，調(diào)用量越大，模型才會越來越好。”

具體來看，為了讓全雙工成功落地，Seeduplex在模型框架設計、算法優(yōu)化、工程性能與穩(wěn)定性上下了一番功夫。

譬如，在模型框架設計上，放棄了經(jīng)典的“ASR（語音轉文本）→LLM（大腦思考生成回復）→TTS（語音合成）”模型架構，設計了更貼合語音實時對話原生特性的模型架構，使模型能夠直接從數(shù)據(jù)中學習語音與語義的一體化表達和節(jié)奏控制，顯著提升了交互自然度。

再譬如，活人感與對話智能、超低延遲、對話節(jié)奏控制、強抗干擾能力與指向性理解等指標息息相關，因而需要依托海量語音數(shù)據(jù)進行大規(guī)模預訓練，并通過多能力、多任務的后訓練體系，才可以達到多維能力協(xié)同進化的目的。

合力之下，Seeduplex攻克了全雙工語音的數(shù)據(jù)構建、超低時延與模型效果協(xié)同優(yōu)化等核心技術難題，打開語音交互的新邊界。

測試數(shù)據(jù)顯示，相比上一代半雙工豆包端到端語音模型，Seeduplex的判停MOS分提高了8%，對話流暢度MOS分提升了12%。

智能座艙邁入語音交互時代

隨著語音交互從半雙工走向全雙工，可以進一步賦能教育、直播、營銷、客服等行業(yè)，釋放更大的生產(chǎn)力。

上述行業(yè)有一個共同的特征，即在語音交互的過程中需要避免機械感，從而增加用戶的沉浸感與參與感，最終提高用戶的信任度與滿意度。

不難看出，Seeduplex的出現(xiàn)不啻一場及時雨。

尤為值得一提的是，隨著汽車全面擁抱智能座艙，汽車正在撕下代步的標簽，成為真正意義上的“第三空間”，也成為語音交互落地的最佳場景。

事實上，無需觸控、按鍵、旋轉，通過口頭指令即可控制打開音樂、降低車窗、調(diào)整溫度、設置導航等日常操作，因而語音交互逐漸取代了傳統(tǒng)的人機界面。

不難看出，語音大模型成為智能座艙比拼的關鍵所在。

佐思汽研的數(shù)據(jù)顯示，車載大模型2025年1月的滲透率為10.8%，到了2025年12月已攀升至38.6%，走高的勢頭肉眼可見。

其中，豆包大模型拔得頭籌。

公開資料顯示，豆包大模型覆蓋賽力斯、吉利汽車、長城汽車、捷途汽車、智己汽車等20余家車企，2025 年新上市車型搭載量位居行業(yè)第一。

以別克至境E7為例，其與豆包大模型進行了全鏈路共創(chuàng)模式，在高速噪聲、多音區(qū)等復雜環(huán)境下，將語音識別準確率提升至98%，復雜指令理解超過95%。

火山引擎汽車總經(jīng)理楊立偉表示：“我們的合作，不是‘大模型上車’，而是‘大模型為車定制’。”

眼下，Seeduplex助陣，豆包可以更好地適配智能座艙場景，既能在低延遲條件下實現(xiàn)對話，克服聽不準、聽不清、反應遲鈍等傳統(tǒng)痛點，也能通過用戶的語調(diào)、語速、語義，判斷用戶的情緒，并給出積極的回應，成為一個可以提供情緒價值的開車搭子。

簡而言之，豆包從助手化身為助理。

與此同時，在Seeduplex賦能之下，智能座艙可以“像人一樣思考、像人一樣交流、像人一樣成長”，有了更大的想象空間與商業(yè)價值。

總而言之，全雙工語音技術走出了實驗室，全面領先當下主流的半雙工語音技術，未來不但會重新定義AI應用的用戶體驗，還可能孕育全新的語音交互商業(yè)模式。

那么，豆包有了更大的勢能。