豆包视频通话升级，火山引擎多模态传输系统提供技术支撑

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：

最终，建联耗时从秒级压缩到数百毫秒，用户点开视频通话几乎"秒接通"，对话感的连贯性大幅提升。

此前，音频传输通道和模型推理通道是异步建联的 ------ 音频可能已经在传了，但模型会话还没建立好；或者模型已经就绪，但首帧音频还没同步到位。用户刚开口说 "帮我看看这道题"，模型只收到了 "这道题"，回答自然跑偏。

MMT 的核心突破，就是用统一的多模态会话控制从根本上解决了状态异步问题：

音视频流与模型会话状态在同一传输链路中统一调度，不再是"两条各跑各的管道"；
网关层引入 MediaKit 同源处理算法，实时判断首帧是否完整、音画是否对齐、模型是否就绪------只有所有模态状态同步后，才会触发模型推理，从源头上杜绝了"丢字"和"答非所问"；
延迟抖动超过 1 秒就会导致模型接收信息变形的老问题，在 MMT 的精细会话控制下得到系统性改善。

人与人通话，传输层忠实搬运就够了。但 AI 交互不一样：用户指着屏幕上一行小字提问，如果传输层继续传低码率视频，模型可能根本看不清那行字，回答自然跑偏，更合理的方式是触发高清图、抽帧或局部增强。传统 RTC 不具备按需调整传输策略的能力。

MMT 通过 C/S 架构设计，让传输从"哑管道"变成了"智能调度层"：

服务侧网关承担关键决策角色。 用户传来一句话，网关可以选择是否直接送往模型；用户打开摄像头，网关判断是否需要抽帧、是否需要高清图、是否要结合模型反馈改变处理策略；
分层会话控制。 哪一路音频优先、哪一帧视频更值得送给模型、哪些内容需要可靠传输、哪些可以为低延迟做取舍，都由 MoQ 信令上的分层逻辑单元精细控制；
多模态同步保障。 语音、画面、时序信息在传输层就完成对齐，模型拿到的是"打包好的、同步的"多模态输入，而不是自己再去拼拼凑凑。

传输系统第一次 "理解" 了模型需要什么，而不是机械地搬运所有数据。MMT 不是被动地等 SeedRealtime 来 "取" 数据，而是主动地根据模型的推理状态，把 "对的数据、以对的形态、在对的时机" 递送到模型面前。

AI 实时交互的竞争，不只发生在模型层。

当行业焦点都在讨论"谁的模型更聪明"时，火山引擎在做一件更长期的事：把传输基础设施从"哑管道"升级为"智能调度层"，让大模型的能力近乎无损耗地传递给每一个终端用户。

豆包视频通话接入 SeedRealtime，是这套能力的一次完整展示。

随着同传、外语陪练、博物馆讲解等场景加速落地，"边看边听边说"的实时多模态交互将成为越来越多产品的标配体验。而支撑这一切的底座，是一个经过亿级用户验证、能承载百倍复杂度的传输系统。

模型让 AI 更聪明，火山引擎让 AI 更"真实"。