豆包近日宣布全面升级视频通话功能，接入原生音视频全双工大模型SeedRealtime。

升级后，豆包可持续接收画面与声音，并结合前后对话理解现场语境，具备说话人识别、语句完整性判断、响应时机决策等能力，显著优化实时交互体验。

该模型使豆包从传统聊天框式问答转向对现实场景的持续感知——AI能听见环境声音、看见用户镜头前的商品、设备及所处环境，从而提前触达用户需求并提升响应准确性。

在电商领域，豆包试图以视频通话构建新入口：用户无需输入关键词或进入直播间，仅需开启镜头，AI即可识别商品、比对成分与规格，并给出建议。相较搜索框仅接收关键词，视频AI接入的是完整场景信息，包括用户所处位置、视觉焦点、已有物品及周边人员意见等。

此次升级建立在字节4月已上线的全双工语音模型Seeduplex基础之上，现将其能力扩展至视频场景，降低使用门槛——用户无需刻意组织语言、寻找安静环境或反复纠正AI，实现随手即用。

QuestMobile数据显示，2026年6月豆包活跃用户达3.82亿，同期千问为1.67亿，DeepSeek为1.29亿，为其视频功能快速覆盖提供规模基础。

视频通话功能免费开放，旨在推动用户形成“遇问题先问AI”的使用习惯，强化其在日常生活中的嵌入深度。

字节跳动2026年中全员会上，梁汝波表示，豆包未来将承担类似抖音之于电商与生活服务的主干角色，成为连接现有业务的枢纽，但目前尚未公开与抖音电商及本地生活实现全面系统级打通。

豆包尚不具备独立完成商品匹配、价格核验、支付、物流及售后的能力，AI推荐商品的可靠性、价格时效性、商家履约能力及责任归属等问题仍待解决。

技术层面亦存挑战：持续音视频处理带来更高算力消耗；用户长期开启摄像头涉及隐私顾虑；若AI误识商品、读错包装或引用过期价格，可能影响决策质量与用户体验。

同期，千问亦推出思考研究、定时任务、办公助理、语音通话及智能体广场等功能，并支持Qwen3.8-MAX模型。其策略侧重办公与任务执行场景，基础功能免费，高阶办公助理设使用额度，超额需付费。

阿里依托淘宝、天猫、1688及阿里云资源，推动千问向交易与企业服务纵深渗透；字节则采取消费端高频渗透与企业端（飞书、火山引擎）双线并进路径。

豆包与千问路径不同，目标一致：成为用户遇问题时首选打开的AI，并推动“回答”向“行动”延伸。模型性能差距易被追赶，而用户习惯与商业生态构建更具壁垒。

当用户开始在豆包或千问上产生实际付费行为，AI将真正演变为可持续商业模式。尤其在电商场景，未来用户或先打开AI观察实物环境，再决定购买渠道，从而在搜索框、信息流、直播间之外，新增视频AI这一入口形态。

然而，仅“看见需求”远不足够。商品信息准确性、价格实时性、支付安全性及履约售后闭环缺一不可，任一环节缺失都将制约商业化进展。

豆包此次更新体现技术能力与场景落地的同步推进，其与千问的竞争已从模型参数转向真实世界服务能力，大厂AI竞争进入深水区。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。