豆包视频通话背后，火山引擎重构 Agent 时代多模态传输底座

雷达摘要

对通用 Agent 来说，多模态交互正在成为一项能大幅提升用户体验的关键基础技术。 过去，用户和 AI 的交互更多是输入文字、上传图片，然后等待回答。现在，家长希望可以直接把镜头对准孩子正在做的题目，让 AI 一步步讲解；在穿搭建议、视障人群视频导航等场景里，用户也希望 AI 不再是一问一答，而是在整个任务过程中持续倾听、对话。 这种变化提高的不只是功能丰富度，还有用户与 AI 建立连接的频率和深度。 火山引擎智能视频技术负责人裴志伟在分享中提到，视频通话等多模态场景“极大地拓宽了技术方案的普适性，带来了更多的想象力”，同时也帮助豆包获得了更多流量，“几乎是在没有做太多投放的情况下，业务规模翻了 10 倍，从千万级 DAU 变成了亿级 DAU”。 这种多模态体验不是模型能力单独决定的。用户打开摄像头和麦克风后…