AI热榜 走到一个陌生景点，举着手机让豆包带你逛，它看到路牌标识主动提醒方向，看到建筑开口介绍典故；旁边路人聊天、街边叫卖，豆包不会被带偏，依然只跟你对话。
豆包视频通话功能升级后，AI 可以在连续变化的真实场景中实现更自然的连续交互，这为用户带来了三个最直观的感受： 能边看边听边说。
用户不用等 AI 说完才能开口，AI 能同时接收和处理音频、视频、文本三路输入。
指着航班牌问 “这个怎么走”，它看懂你指的是行李转盘；多人聊天时，它结合口型和画面判断是谁在对话，不被旁边闲聊带偏。
AI 会主动开口。
持续感知环境变化，看到关键标识会主动提醒，处理任务时主动调用工具查信息、整理结果。
交互模式从 “一问一答” 升级成了 “双向协作”，用户不用每次都先开口。
对话节奏自然。
不打断也不冷场，该说时说，该听时听。
自然接话、合理停顿，精准分辨旁人闲聊和背景噪声。
官方评测显示，对比传统级联方案，对话节奏违和问题减少了约 50%—— 用户几乎不会遇到 “AI 说完话突然停住” 或 “我还没说完 AI 就抢答” 的尴尬。
这背后是一次双线升级：模型层接入原生音视频全双工大模型 SeedRealtime，在业界率先实现音视频全双工技术的规模化落地。
而支撑这一切的底层传输架构，也已悄然完成从实时通信技术 （RTC）到火山引擎多模态传输系统（MMT）的代际跃迁。
SeedRealtime 定义了 “AI 能做什么”，而火山引擎 MMT 决定了 “用户能不能真正感受到这些能力”。
MMT 在三个核心环节完成了提升。
秒接通，秒应答 传统 RTC 架构下，音视频通道与信令通道分离，用户发起视频通话时需要经历多轮协商 —— 媒体通道建联、模型会话建立、状态同步各自为政，叠加下来往往需要数秒才能真正进入可用状态。
用户看到的是 “连接中…” 的转圈等待，体验大打折扣。
MMT 通过统一的多模态会话架构，将媒体传输与模型会话深度整合：
- 客户端底层基于 QUIC 库，复用连接、多路复用，一次建联即可承载音视频、信令、模型状态等多路数据；
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接