ByteDanceが新しいAIモデル「SeedRealtime」を公開しました。音声・映像・テキストを同時に処理しながら、途切れなくリアルタイムで会話できる——そんな「見て、聞いて、話す」体験を一つのモデルで実現したという発表です。すでにDouboaアプリで無料で使えます。この記事では、SeedRealtimeが何をするものなのか、既存のAI音声機能と何が違うのか、そして日本の会社員の仕事にどう関係してくるかを整理します。
SeedRealtimeとは何か
SeedRealtimeは、ByteDanceが開発したマルチモーダルLLM（大規模言語モデル）です。「マルチモーダル」とは複数の種類の情報を扱えるという意味で、このモデルの場合は音声・映像・テキストの3つを同時に処理できます。ここで重要なのが「フルデュプレックス」という仕組みです。フルデュプレックスとは、送受信を同時に行える通信方式のことで、電話で言えば相手が話している途中でも自分が割り込んで話せる状態に近いものです。従来の多くのAI音声機能は、ユーザーが話し終えてからAIが応答する「ハーフデュプレックス」でした。SeedRealtimeはその制約を外し、映像を見ながら同時に会話できる体験を目指しています。
アーキテクチャ上の特徴として、音声・映像・テキストを「後から組み合わせる」のではなく、最初から一つのモデルに統合して処理している点が挙げられています。これを「ネイティブフュージョン（natively fuse）」と表現していますが、要は「別々のモジュールを繋いだ寄せ集め」ではなく、最初から三つの情報を一緒に理解するように設計されているということです。
ChatGPTの音声モードとどう違うのか
OpenAIのChatGPT Advanced Voice Modeも音声でのリアルタイム会話を実現しており、2024年から広く使われています。両者を単純に比較するのは難しいですが、公開されている情報から整理すると次のような違いがあります。
| 比較軸 | ChatGPT Advanced Voice | SeedRealtime |
|---|---|---|
| 映像入力のリアルタイム処理 | 限定的（静止画対応が中心） | 連続映像ストリームに対応 |
| フルデュプレックス | 部分的 | 設計の中核 |
| 利用環境 | ChatGPTアプリ | Doubaoアプリ（無料） |
| 公開時期 | 2024年秋〜 | 2025年公開 |
ChatGPTの音声機能を日常的に使っている人なら分かると思いますが、「カメラをかざして状況を説明してもらう」という使い方は今も若干もたつく場面があります。SeedRealtimeが主張しているのは、そこをリアルタイムの連続ストリームとして処理できるという点です。ただし、実際のパフォーマンスは使ってみないと分からない部分も多く、発表内容だけで断言するのは避けるべきでしょう。
「見ながら話す」が実務でどう使えるか
抽象的な機能説明だけでは実感しにくいので、具体的な場面で考えてみます。
例えば、製造業の品質管理担当者が現場でスマートフォンをかざしながら「この部品の傷は規格内か」とリアルタイムで問い合わせる使い方が考えられます。現状では写真を撮ってアップロードし、テキストで質問するという手順が必要ですが、映像を見ながら音声で会話できるなら、その手順が大幅に省けます。
もう一つ、営業職の人が商談中にプロダクトのデモ映像を画面に映しながら「この機能の説明を今すぐ補足して」とAIに頼む場面も想定できます。現在のAIツールでは、テキストで指示を入力し直す必要がありますが、音声と映像が同時に処理されるなら、会話の流れを止めずに使えます。ChatGPTの使い方ガイドでも触れているように、AIを業務に組み込む際の最大のハードルの一つは「操作の手間」です。SeedRealtimeのアプローチは、そのハードルを下げる方向に向かっています。
ByteDanceがこれを出した背景
BytesDanceはTikTokの親会社として知られていますが、AI開発への投資はここ数年で急速に拡大しています。Doubaoは中国国内で広く使われているAIアシスタントアプリで、月間アクティブユーザー数は数千万規模とされています。SeedRealtimeをそのDouboaアプリで無料公開したのは、技術デモにとどまらず、実際のユーザーデータを大量に収集しながらモデルを改善していく戦略と見るのが自然です。
OpenAI、Google、Metaが音声・映像対応のAIモデルを相次いで発表している中で、ByteDanceが「フルデュプレックス」「ネイティブフュージョン」というキーワードで差別化を図っているのは、マルチモーダルAIの競争がすでに「できる・できない」から「どれだけ自然か」のフェーズに移っていることを示しています。
日本のビジネスパーソンにとって直接関係してくるのは、こうした技術が日本語対応のサービスに転用されるタイミングです。現時点でSeedRealtimeの日本語対応は明確にアナウンスされていませんが、Doubaoアプリ自体は多言語対応を進めており、近い将来に日本語での音声・映像会話が使えるようになる可能性は十分あります。
AIの音声・映像機能をどう使い始めるか
SeedRealtimeはまだ日本語ユーザーがすぐ使える状況ではありませんが、「映像を見ながら話す」という体験に慣れておくことは今からできます。
ChatGPTのAdvanced Voice ModeやGoogleのGemini Liveは、すでに日本語での音声会話に対応しています。これらを使って「音声でAIと会話する」ことに慣れておくと、SeedRealtimeのような次世代ツールが日本語対応したときにすぐ活用できます。プロンプトの書き方ガイドでも書いているように、AIに的確な指示を出すスキルは、テキストでも音声でも基本的な考え方は共通しています。音声での指示に慣れておくことは、今後のAI活用において確実に役立ちます。
具体的には、週に1〜2回、普段テキストで使っているAIの質問を音声に切り替えてみるだけで十分です。「音声だと何が変わるか」「どういう質問が音声に向いているか」を自分の業務で試してみると、SeedRealtimeのような映像対応ツールが来たときの使い道が自然と見えてきます。
まとめ
SeedRealtimeが示しているのは、AIとのやり取りが「テキストを打つ」から「見ながら話す」へと移行していく流れが、着実に進んでいるということです。日本語対応や日本市場での展開はこれからですが、音声・映像を使ったAI活用が当たり前になる時代は、思っているより早く来るかもしれません。あなたの仕事の中で「カメラをかざしながら話しかけられたら便利になる場面」はどこにありますか。
