在人工智能賦能內容創作的賽道上，火山引擎近日交出了一份重量級答卷。6月23日，豆包音頻生成模型1.0正式發佈，憑藉“多模態參考生成”與“長時音色一致性”兩大核心技術，徹底打破了傳統音頻製作繁瑣的後期工作流。

過去，製作一段達到成片水準的音頻，創作者往往需要分別生成對白、音效和配樂，再通過複雜的手動對齊與混音來實現，極其考驗後期功底。而豆包音頻生成模型1.0帶來的變革在於，它將這一過程高度濃縮——用戶只需輸入一條包含角色臺詞、情緒語氣、背景音樂乃至環境氛圍的 Prompt，模型即可直接產出具備敘事張力的完整音頻成片。

image.png

針對長音頻創作中常見的“角色串戲”痛點，該模型實現了文生音頻與參考音頻的深度聯動。無論是創作長篇有聲書還是複雜播客，模型都能在多次音頻延長中，穩定保持角色的聲音特性。這種一次性交付前後一致音色的能力，極大地滿足了專業創作者對長程生成場景的嚴苛需求。

此外，該模型還具備強大的“0樣本多模態音頻創造”能力。通過支持文本描述或參考音頻輸入，創作者無需額外訓練即可得到高質量的目標音頻。模型在音色與風格的控制上實現了深度解耦，支持“一聲多角”的演繹，讓同一個聲音在不同情緒和場景下展現出極高的表現力，顯著降低了專業音頻製作的門檻。

目前，火山方舟已開啓該模型的 API 邀測，個人用戶可直接獲取30分鐘的創作額度。隨着該技術即將上線剪映、即夢及番茄等平臺，音頻創作正從繁瑣的“剪輯拼接”向高效的“創意導演”演進。這一模型不僅是技術的突破，更標誌着 AI 正在成爲內容創作者手中最有力的“全能助手”。