位置づけと公開日
Seed LiveInterpret 2.0 は、ByteDance の Seed チームによるエンドツーエンドのリアルタイム同時通訳モデルで、全二重の音声理解・生成フレームワークを採用し、異なる言語間のコミュニケーションを対象としています。公式発表日は 2025-07-24 です。(seed.bytedance.com)
機能と用途
- ストリーミング音声入力に対応し、聞きながら訳文を生成します。翻訳テキストと翻訳音声の両方を出力でき、リアルタイム音声に基づくゼロショットの音声クローンにも対応しています。異なる言語間の会議、講演、リアルタイム字幕、音声通話などの場面に適しています。(seed.bytedance.com)
- 公式発表時には主に中国語と英語の双方向翻訳が紹介されました。現在の火山引擎サービス文書によると、豆包同時通訳大規模モデル 2.0 は 48 言語と 9 種類の中国語方言に対応しています。翻訳元言語と翻訳先言語の少なくとも一方が中国語または英語である必要があります。この範囲は現在のサービス文書に記載されたものであり、公開当日に対応していた範囲とみなすべきではありません。(seed.bytedance.com)
- 公式の RealSI 中国語・英語評価では、音声からテキストへのタスクにおける人手による翻訳品質の平均評価スコアは 74.8/100、音声から音声へのタスクの総合スコアは 66.3/100 でした。報告された平均出力遅延はそれぞれ 2.21 秒と 2.53 秒です。これらは特定のテスト条件下での結果であり、すべての場面で保証されるものではありません。(seed.bytedance.com)
制限
公式は、音声クローンの安定性、音声の表現力、感情の再現、極めて複雑な場面での翻訳精度には、なお改善の余地があると指摘しています。実際の効果と遅延は、入力音声の明瞭さ、流暢さ、複雑さの影響を受けます。重要な内容は人手で確認することが望まれます。(seed.bytedance.com)
価格
2026-11-18 時点の調査では、火山引擎の中国国内サイトはこのサービスを「豆包同時通訳大規模モデル」として掲載しており、利用に応じた後払いの人民元(CNY)価格は、入力が 80 元/百万 token、出力テキストが 80 元/百万 token、出力音声が 300 元/百万 token です。公式の説明では、入力音声は毎秒約 6.25 token、出力音声は毎秒約 25 token で、実際の使用量は請求書に基づきます。上記は中国国内サービスの価格であり、具体的な適用条件と費用はコンソールに基づきます。(docs.volcengine.com)
同じ中国国内向け料金文書には、1 年間有効の前払いリソースパックも掲載されています。10 億 token は 56,000 元、50 億 token は 240,000 元、100 億 token は 400,000 元です。入力と出力テキストは 1:1 で差し引かれ、出力音声は 1 token を 3.75 token に換算して差し引かれます。リソースパックの換算単価を、各種類の実際の token に共通する価格として直接扱うことはできません。(docs.volcengine.com)
BytePlus 国際サイトの同時通訳料金ページも検索しましたが、今回の読み取りでは検証可能な価格情報を取得できなかったため、米ドルの金額は記載しません。(docs.byteplus.com)