ByteDance a lancé le 5 août 2026 SeedRealtime, une IA audio-visuelle développée par son équipe Seed, capable de suivre une conversation en temps réel en traitant simultanément le son, l’image et le texte dans un seul système. L’annonce a été relayée par plusieurs médias spécialisés, dont TechNode et Tech in Asia, confirmant qu’il s’agit d’un lancement officiel et non d’une simple rumeur.
Une architecture unifiée qui supprime les allers-retours entre modules
Les assistants vocaux classiques enchaînent plusieurs briques séparées : reconnaissance vocale, compréhension du langage, puis synthèse vocale. Chaque passage d’un module à l’autre ajoute de la latence et fait perdre du contexte. SeedRealtime fusionne ces étapes dans une seule architecture native, où perception, compréhension, décision et expression se déroulent en parallèle plutôt qu’en chaîne.
Autre différence : c’est le modèle lui-même qui détermine le bon moment pour répondre, sans dépendre de règles externes de détection d’activité vocale. Il peut ainsi observer une scène, repérer les silences, ignorer le bruit de fond d’une pièce et choisir d’intervenir uniquement quand c’est pertinent.
Ce que le modèle sait faire concrètement
- Résoudre des homophones et relier un mot comme « ça » au geste visuel qui l’accompagne
- Se souvenir d’éléments visuels qui sont sortis du champ de la caméra
- Répondre spontanément quand un objet demandé apparaît à l’écran ou qu’une erreur est détectée
- Suivre plusieurs interlocuteurs dans un environnement bruyant et ouvert
ByteDance a fait la démonstration de ces capacités sur plusieurs scénarios : une conversation de groupe pendant un dîner, un échange dans un restaurant, une visite de musée, ou encore la correction d’une erreur pendant la préparation d’un café espresso.
Des gains mesurés sur le rythme de la conversation
Sur le plan des performances, ByteDance revendique une réduction de 50 % des problèmes de rythme conversationnel — coupures, temps de réponse mal calés — par rapport aux systèmes en cascade classiques. Le modèle est décrit comme entièrement déployé, mais les modalités d’accès à l’API, la tarification et la disponibilité par région n’ont pas été précisées à ce stade.
Une feuille de route encore ouverte
ByteDance annonce vouloir continuer à réduire la latence, affiner la gestion des interruptions en cours de conversation, et connecter SeedRealtime à des outils externes pour lui permettre d’exécuter de véritables tâches, au-delà de la simple discussion. Plus de détails techniques sont disponibles dans la couverture de TestingCatalog.
Pour les développeurs qui suivent les modèles chinois, SeedRealtime confirme que la course aux assistants vocaux temps réel ne se joue plus seulement chez OpenAI ou Google, mais aussi du côté de ByteDance.
Qu’est-ce que SeedRealtime ?
SeedRealtime est un modèle d’IA audio-visuelle développé par l’équipe Seed de ByteDance, capable de traiter simultanément l’audio, la vidéo et le texte dans une seule architecture pour tenir une conversation en temps réel.
En quoi SeedRealtime diffère-t-il des assistants vocaux classiques ?
Contrairement aux systèmes en cascade qui enchaînent reconnaissance vocale, compréhension puis synthèse vocale, SeedRealtime fusionne ces étapes en une architecture unique et décide lui-même du bon moment pour répondre, sans règle externe de détection d’activité vocale.
SeedRealtime est-il disponible pour les développeurs ?
ByteDance présente SeedRealtime comme entièrement déployé, mais n’a pas encore communiqué de détails sur l’accès à l’API, la tarification ou la disponibilité par région.