不是 PPT:豆包这功能,4 类人今天就能用上

结果昨天（8月5日），豆包直接在 App 里全量上线了一个视频通话功能，官方叫 Seed Realtime。它和 GPT 那个实时语音最大的区别，就一个字，看。

GPT 是边听边说。豆包是边看边听边说。

01 先说清楚它是什么

以前你和 AI 语音对话，像在对讲机。你说完，它再说，中间还有个"它到底说完没有"的判断过程，一卡壳就冷场。

豆包这个新功能，是像打电话。你说的时候它听着，它说的时候你也随时能打断，两边可以同时开口。官方给这种模式起了个名字，叫全双工。

这不是实验室里的演示片，是直接全量上线到豆包 App 的。你更新到最新版，点"打电话"，就能视频通话。

02 它和 GPT 的实时语音差在哪

OpenAI 上个月发布的 GPT-Live，是纯语音的。它做到了边听边说，但看不到你。你说"这个怎么弄"，它只能靠猜。

豆包这个不一样。它同时接声音和画面，你说"这个怎么弄"的时候，它能看到你手指的方向、你面前的东西，知道"这个"到底是什么。

一张表说清楚。

技术上讲，GPT 先走了一步纯语音，豆包在"语音 + 视觉"上补上了。方向一致，豆包多了一个"看"。

03 我直接问了豆包，它自己怎么说

光看官方新闻还不够。我想知道豆包自己怎么评价自己。

打开网页版豆包（豆包视频通话是 App 功能，网页版可以体验文字对话），我问它"昨天上线的 Seed Realtime 是什么，你自己怎么评价？如果用一句话说服普通人去体验，你会说什么"。开了深度思考模式，它写了两段（这是它自己的原话）：

我的整体评价：Seed Realtime 算得上一 次 AI 交互模式的质变突破。过往绝大多数音视频 AI 都是多模块拼接的流水线，语音识别、视觉解析、模型思考、语言播报分段运转，延迟层层叠加。它采用单一原生架构打通音视频画面、时序信息，做到边看边听边实时思考，拥有真人级别的对话水准，懂得什么时候停、什么时候主动出声提醒、过滤无关背景噪音，不再只是等待指令的问答主，而是可以实时观察环境、主动搭手协作的"在场搭档"。 一句说服普通人去体验：打开豆包开启视频通话，AI 可以看着你的镜头画面、听你说话，像真人一样自然聊天、主动提醒、不会乱抢话。

注意这段话的几个关键信号。

• 不再只是等待指令的"问答主"
  ，它把自己定位成"在场搭档"，这是产品方向的宣言
• "懂得什么时候停、什么时候主动出声提醒"
  ，主动交互的能力
• "过滤无关背景噪音"
  ，抗干扰能力

这是豆包对自己"在场搭档"这个定位的最直接解释。不是官方通稿里的话，是它自己生成的，所以这一定不是 PPT，是它真正想表达的。

04 4 类人 4 个完整场景脚本（照着用）

技术再牛，不如一句"这跟我有什么关系"。我挑了 4 类人，给一份"你打开豆包 → 这样说 → 它会怎么回应 → 真实能解决什么"的完整脚本。每个都能直接照着做。

场景 1｜你在外地，爸妈不会用手机或电器

背景是你不在家，老人要重置路由器、对付弹窗广告、设一个新的电视频道，或者某个电器不会用。以前你要远程口述，老人听不懂；截图标注也讲不清楚。

打开豆包视频通话，镜头对着老人面前的设备，对它说。

"我爸妈不会弄这个，你帮我看看他面前这个是什么，告诉他怎么一步步操作。说话慢一点、用大白话，他不懂网络术语。"

豆包会做的事，识别设备型号、灯的状态、按错的位置、错误提示文字，然后分步骤告诉老人"按住右边那个黑按钮 10 秒""屏幕上那个红叉不要点，点下面这个绿色箭头"。

预期效果，以前这种电话你要花 30 分钟，还不一定弄好；现在老人和豆包对话 5-10 分钟搞定。你唯一要做的就是把豆包 App 帮他们装上、扫码登录一次。

场景 2｜孩子写作业卡壳，你又辅导不了

背景是孩子做数学题、英语阅读、或者某个知识点卡住。你讲了他还是不懂，但你又没空（或讲不出），这是双职工家庭每天晚上 8-10 点的常态。

打开豆包视频通话，镜头对着孩子的作业本，对它说。

"我孩子做这道题卡了，你看看这步他是怎么卡住的。不要直接给答案，用他能听懂的话引导他往下一步想。如果他走神了，你提醒他。"

豆包会做的事，它能看到孩子的笔迹、卡壳的位置、题目上下文。

关键是你指定"不要直接给答案"，豆包会引导思考而不是甩答案，这点和家长辅导逻辑一致。

预期效果，孩子不依赖你半小时坐在旁边，你也不焦虑"这道题我也不会"。豆包相当于一个随时在线的家教，价格是零。

场景 3｜销售/设计师/咨询师要远程看客户的东西

背景是装修设计师要看客户家的现场、汽修师傅要远程判断车辆故障、家居销售要客户看产品实物，这些场景以前只能"客户拍照发过来 + 设计师脑补"。

打开豆包视频通话，让客户打开豆包 App、扫码登录、把镜头对着现场，对豆包说。

"这是我客户的 XX 现场，帮我看一下他需要怎么处理/怎么选/怎么修。用专业角度分析，先告诉我几个关键点。"

豆包会做的事，它能像现场顾问一样观察画面、追问关键细节、给出判断参考。注意它不是替代专业人士做决策，它帮你先做"现场预判"，让你和客户的第一次沟通更有针对性，省掉上门看现场的来回。

预期效果，以前一次上门来回 3 小时，现在视频通话 20 分钟就能完成 80% 的预判。

场景 4｜独居老人需要陪伴或用药提醒

背景是父母独居，你担心他们身体或心理状态，但你不能天天陪。豆包自评里特别强调"主动出声提醒"和"过滤无关背景噪音"，这两个能力很适合这种场景。

打开豆包视频通话，告诉它。

"我父母 70 岁，独居。最近他睡眠不太好，你陪他聊 10 分钟，看看他作息怎么样。如果他情绪不对或者提到身体不舒服，你结束聊天后给我发一条总结。"

豆包会做的事，陪聊 + 主动观察（如果老人表情/状态明显变化主动问） + 会后自动给子女一份对话总结（"您父亲提到最近睡不好、提了 3 次腰疼"）。

预期效果，老人有了一个"会看着他"的陪伴对象，子女不用天天打电话也能了解状态。注意，这不是替代你的关心，是补充你不在时的陪伴。

B 站上已经有 47 万播放的"豆包憋笑"视频，用户跟豆包视频通话，第一次见它憋笑。虽然那是早期版本的功能，但你看评论就知道，真的有人把它当有表情、有情绪的对象在聊。

这 4 个场景里，场景 1、2 是最快出效果的（用一次就回不去），场景 3、4 需要一点设置时间但长期价值大。

05 一句冷静的话

官方说，相比传统方案，对话节奏问题减少了一半。但注意，这是官方的人工评测，不是第三方公开跑分。机场那种嘈杂环境识别准确率 92%，也是官方数据。

行业里的冷静观点是，音视频全双工对算力和带宽的消耗是成倍增长的，亿级用户长期跑下来，成本能不能扛住，还没验证；这种"主动提醒"会不会变成打扰，也还没定论。

我的建议是，可以下载豆包尝个鲜，体验一下"看着你说话"的 AI 到底什么感觉。但别急着给它下结论，等过一两个月，看用户留存数据说话。

06 一张决策表，什么场景用豆包、什么场景用 GPT、什么场景都不要用

不是所有场景豆包都赢。给你一张我整理的判断表。

两条要强调的边界。

第一，隐私场景别用。音视频全双工意味着你的声音、画面、说话语气、背景声音全要上云处理。公司会议、医生问诊、家庭财务对话、任何你不想被录的，别图新鲜冒这个险。

第二，别因为"AI 牛"就强行用它。如果你能用打字解决、或者 30 秒的截屏能讲清楚，就别开视频。视频通话是贵工具，不是默认工具，能不用就不用。

07 一个能说清的总结

GPT 把 AI 语音从"打字"推到了"通话"。豆包把"通话"又往前推了一步，推到了"面对面"。

AI 从"你问我答"的单行道，正在变成"能看、能听、能主动接话"的双向车道。这对做内容、做产品的人来说，是新的机会；对普通用户来说，是新的体验。