Muse Realtime Avatar 对比 SeedRealtime：两款只能观看的模型

这两者都没有价目表。Muse Realtime Avatar由 Meta 于 2026 年 9 月 23 日在 Meta Connect 上发布，没有 API、没有端点、没有价格，也没有发布日期——它只是 Meta 的 Muse 智能体的一项能力，在一篇题为“Bringing Your Muse to Life”的研究文章中进行了展示。SeedRealtime由字节跳动 Seed 于 2026 年 8 月 5 日发布，没有 API、没有权重、没有技术报告，也没有参数规模——它只存在于字节跳动自家的豆包 App 之中，而字节跳动的公告只说它已“全面上线”。全球最大的两家消费级 AI 公司在相隔七周内先后推出了音视频实时系统，而这两者都买不到。这才是值得比较的地方，而且它比那张谁也造不出来的基准测试表格有趣得多。

二者的区别在于视频流动的方向。SeedRealtime 负责观看、聆听，并谈论它所看到的内容——音频、视频和文本输入同一个端到端网络，轮流发言机制从外部语音活动检测器移入模型本身。Muse Realtime Avatar 负责生成：你交给它一张参考图像——一张照片、一幅插画或一个物体——它便会在整段对话期间以连续视频渲染那个对象说话和做手势。SeedRealtime 的视频是输入。Muse Realtime Avatar 的视频是输出。两者都被描述为全双工，两者都是音视频，却用同一个标签做着相反的工作。

每一部分是什么，以及它位于何处

六行，而真正起决定作用的是最后两行。

• 视频 —— 它由 Muse Realtime Avatar 生成，采用 448×768 竖屏分辨率和每秒 25 帧，并叠加透明水印，以便观看者能看出这并非摄像头画面；SeedRealtime 则负责感知它，将帧流式传输到处理音频的同一网络中。

• 架构层面的押注——Muse Realtime Avatar 让语音与视频共用同一条 token 流，因此由音频驱动的 Diffusion Transformer 直接消费 Muse Realtime Voice 的语音 token，事后无需再做任何唇形同步；SeedRealtime 则把话轮转换内化进模型本身，谁在何时开口不再由外部的语音活动检测器来裁定。

• 运行位置 —— Muse Realtime Avatar 是 Meta 旗下 Muse 智能体中的一项能力；SeedRealtime 则内置于 ByteDance 的 Doubao 应用中。

• 开发者访问——两者都没有 API。两者都不公开模型权重。既没有无服务器方案，也没有托管端点，更没有承载其中任何一个的第三方平台。

• 价格 — 双方均未公布，因为两边都没有商业报价。

• 独立评估——两个系统均无。两家公司发布的关于各自模型的每一个数字都是第一方数据，没有任何外部评估者运行过其中任何一个。

两个证据基础，均为第一方，而且其中一个要单薄得多

到这里，比较就不再对称了。Meta 为 Muse Realtime Avatar 公布了四项数字，全部由公司自己报告，对照的是 Meta 自行选择的基线，没有一项在公司外部得到复现：从你这一轮结束到同步语音与视频回复首字节为 870 毫秒；448×768 竖屏视频，25 帧/秒；模型评估次数比其自身基线少 60 倍；以及单块 NVIDIA GB200 上 12 路并发实时会话——借助 4 位量化感知训练和延迟感知动态批处理，相比 Meta 的两步 BF16 基线实现了 8 倍容量提升。Meta 还发布了一项与两个商业虚拟形象系统的偏好比较——对一个为 78/22，对另一个为 88/12——并披露在举止神态方面，与其中一个的结果在统计上与持平无法区分。这一披露比那些胜出更有价值；这是大多数发布帖都会略去的那类结果。

SeedRealtime 已公布的证据只有一项端到端人工评估。ByteDance 表示，相较于级联系统——将视觉模型连接到 ASR 模型，再连接到 LLM，再连接到文本转语音声音——SeedRealtime 将音视频对话节奏问题减半，截断更少、误触发更少，回复更慢、更自然。ByteDance 未公布的是样本量、方法论、标注员人数、以毫秒计的延迟数据、基准名称或分数。一份二手报告援引称，相较于该团队此前的模型，对话流畅度提升了 12%。这就是整个公开证据基础。

所以，对可验证性进行诚实排名，结果如下：两者都没有独立运行；Meta 的是一组测量结果，带有已声明的基线，并披露了一个负面结果；ByteDance 的则是一个单一的偏好声明，其设计未被描述。两者都不可复现，但只有一个具体到足以进行辩驳。

各自做出的举动

这两个系统是同一个问题的答案，而看到这两个答案不同，是值得的。

对于一个持续观察的系统而言，最难的部分是知道何时开口。一个持续接收摄像头画面和音频的模型，必须在没有外部触发的情况下判断：面前的人是否已经说完、自己是否被搭话，以及刚刚进入画面的物体是否相关。这正是 SeedRealtime 搬进模型内部去解决的问题，而 ByteDance 是在三种模态、而非两种模态上完成了这一跨越——相比 Google、OpenAI 和 NVIDIA 各自仅针对音频所做的，这是更难的一个版本。演示中的种种行为也由此而来：在多人对话中把某个声音与某张脸对应起来，在有东西进入画面时不待提示便主动开口，引导某人参观博物馆或进行维修。

对于一个进行渲染的系统来说，最难的部分是保持连贯。以简短的因果片段生成视频意味着每个片段都以上一个片段为条件，而失败模式是漂移——到了第三分钟，角色已经悄然变成了另一个人。Meta 对近期视频潜变量采用的滚动窗口正是对此的解答，而共享的 token 流则是对另一种失败的解答，即先生成音频、再在其上运行口型同步模型时得到的配音感。

这两种做法在另一个系统中都不可行。SeedRealtime 没有需要忠实还原的参考图像，因为它并不渲染任何人。Muse Realtime Avatar 没有需要追踪的外部世界，因为它的全部工作就是生成一张与声音匹配的脸。

为什么一个无法调用的模型仍然是一个路由问题

这两个系统都进行委托。Muse Realtime Avatar 构建在 Muse Realtime Voice 之上，而后者是一个智能体的对话层，该智能体的推理运行在 Muse Spark 上——模型负责渲染，而不是思考。SeedRealtime 的设计让对话在后台工作发生的同时继续进行，这意味着超出其内联处理能力的工作会转到别处，然后再回来。在这两种架构中，用户与之交互的都是一个前端，而智能则是其背后的一个独立文本模型。

那个独立的文本模型就是普通推理，而且它是整套技术栈中你真正能买到的部分。在 OrcaRouter 上，它是一个端点，覆盖 来自 15 家提供商的 196 个模型，按提供商标价原样透传、零加价，并且当你选择的模型出错或超时时会自动故障转移。我们不托管 SeedRealtime——它属于 ByteDance，在 Doubao 内部，没有什么可路由的。我们也不托管 Muse Realtime Avatar，其他任何人也不托管。我们承载的，是这两个系统将其繁重工作交给的那一层，也就是当你希望由另一个模型来思考时会发生变化的那一层。

什么会改变答案

对于 SeedRealtime 而言，缺失的一环并不是某项功能——而是证据。一份包含参数量、基准测试套件以及有详细描述的人类评估的技术报告，会把它从“应用内的一个演示”提升为团队可以据此进行判断的东西。ByteDance 的帖子还链接到泛泛的“Try Dola”和“Try in Playground”目标页面，却没有声称提供模型权重或一套有文档记录的 API，这属于产品功能的模式，而不是模型发布的模式。

对于 Muse Realtime Avatar，缺失的一环在于商业层面：一份价目表、一个端点、一个日期，以及 Meta 尚未完全明确的地区和年龄条款。Meta 的帖子指出，其演示并不都反映 Muse 应用中可用的虚拟形象，而这句话应当成为任何围绕此制定的计划的准绳。

在其中一项发生改变之前，这个比较的形式短得出奇。两个模型都是视听模型，都是全双工，都是真正令人惊叹的工程作品，而且正在读这段话的人都无法从终端调用其中任何一个。区别在于，如果你能调用它们，你会拿它们做什么：一个给你一个会说话的角色，另一个给你一个会察觉的系统。