ByteDance Seed、音声・映像統合双方向 LLM「SeedRealtime」発表

記事の3ポイント

1. 1

   ネイティブ単一アーキテクチャの実装

   ASR、VLM、TTS をカスケード接続する従来の方式を排し、知覚・理解・意思決定・発話を並列処理する単一エンドツーエンドモデルとして構築された。

2. 2

   対話制御の内部化と能動的インタラクション

   外部の音声活動検出器（VAD）に依存せず、ターンテイクをモデル内部で処理し、視覚情報を監視してユーザーからの明示的な指示を待たずに発言する機能を実装した。

3. 3

   実環境でのデモンストレーションと展開状況

   Doubao アプリ内で稼働しているが、技術レポートやパラメータ数、オープンウェイトは公開されておらず、現時点では他社による統合は不可能である。