A SeedRealtime da ByteDance executa áudio e vídeo full-duplex simultaneamente.

ByteDance lançou o SeedRealtime, um modelo de áudio-vídeo full-duplex para interação de IA em tempo real. Ao contrário do Seedance (geração de vídeo long-form), trata-se de IA conversacional que ouve e fala ao mesmo tempo - com entrada de vídeo ao vivo.

Em termos simples: A ByteDance lançou um modelo de IA que processa entrada e saída de áudio e vídeo simultaneamente, sem alternar entre modos de escuta e fala. Essa é a arquitetura que uma conversa em tempo real realmente requer.

O fato

A ByteDance lançou o SeedRealtime, um modelo de áudio-visual full-duplex para interação de IA em tempo real, segundo a Tech in Asia. Full-duplex significa transmissão bidirecional simultânea: entrada e saída de áudio e vídeo funcionam em paralelo, em vez de alternadamente. Isso é diferente do Seedance (modelo de geração de vídeos longos da ByteDance) — o SeedRealtime é voltado para casos de uso de conversação e interação ao vivo.

Nossa análise

O full-duplex é a parte difícil. A maioria dos sistemas de IA de voz são half-duplex: eles aceitam entrada, geram uma resposta e depois voltam a ouvir. A latência e a estranheza das interrupções nos assistentes de voz atuais vêm diretamente dessa arquitetura. O SeedRealtime entra em um espaço onde OpenAI (GPT-4o Advanced Voice), Google (Gemini Live) e ElevenLabs já construíram posições iniciais — mas adiciona entrada multimodal de vídeo, algo que nenhum deles oferece nativamente em tempo real. Os casos de uso comerciais são claros: tradução ao vivo, atendimento ao cliente em tempo real, aplicativos de companhia de IA. O sinal competitivo é ainda mais claro: a ByteDance não está cedendo a camada multimodal em tempo real aos laboratórios dos EUA.

O que observar

Benchmarks de latência e preços de API em escala. O full-duplex é alcançável em uma demonstração; mantê-lo de forma econômica em sessões simultâneas em escala de produção é o verdadeiro desafio de engenharia.