2026年8月6日，豆包宣布视频通话功能迎来一次重大升级。正式接入原生音视频全双工大模型SeedRealtime，支持端到端架构，原生融合音频、视频与文本三种模态。
我用一句话总结，就是从“先听完、再看完、最后作答”，变成了“边看、边听、边说”同步进行，所有用户均可免费体验。
1、全新豆包都升级了什么？
第一，能“看懂”画面了。 模型原生支持声音、画面与时序信息的深度融合。
能结合当前画面、手势与历史动作判断“这个”具体指什么；遇到同音词或模糊语音，也能借助视觉场景完成消歧。
外文菜单的实时翻译、咖啡机的分步教学，现在镜头一对、开口一问就能解决。
第二，会“主动”交互了。 模型具备持续的环境感知与主动表达能力。在博物馆里，持续观察镜头画面，识别到指定文物后主动提醒。
交互从被动响应升级为主动协作。
第三，对话更“自然”了。 模型能实时感知用户的对话状态，在适当时机自然接话、停顿与回应。
同时具备较强的抗干扰能力，能区分用户对话、旁人闲聊和背景噪声，减少误触发。
2、怎么使用
第一步：我们把豆包App更新至最新版本。
第二步：找到通话入口。
打开豆包App，进入对话界面后，有两种方式可以找到入口：
方式一：在对话框内直接选择 “打电话” 按钮。
方式二：点击对话框旁的 “+”号，在弹出的菜单中同样选择 “打电话”。
第三步：开启视频通话。
进入通话界面后，点击 “视频通话” 选项，这样我们就能体验到全新的豆包视频通话功能啦。
