昨日，火山引擎正式發佈豆包音頻生成模型1.0（Doubao-Seed-Audio 1.0），支持將文本或音頻任一模態作爲輸入，端到端生成完整音頻作品。這款模型的核心突破在於：用一條Prompt就能搞定對白、音效、背景音樂的全要素生成，徹底告別人工多軌剪輯的傳統工作流。

image.png

一句話變身"音頻導演"，省去所有後期

過去，一段成片級音頻作品意味着對白、音效、配樂逐條生成、手動對齊、多軌混音，流程繁瑣且高度依賴後期技術能力。豆包音頻生成模型1. 0 將這一切壓縮進一條Prompt：用戶可以在單條指令中同時定義多個角色的臺詞、語氣和情緒節奏，嵌入笑聲、嘆息、停頓、方言口音等細節，背景音樂與環境音效同步生成，輸出即成品。一位創作者敲下一段描述，就能直接收到可上線的有聲劇、播客節目或品牌音頻。

長音頻不"串戲"，角色聲音首尾如一

長音頻創作中最令創作者頭疼的難題，是前後一致性——角色在第 1 分鐘和第 10 分鐘聽起來是否像同一個人。豆包音頻生成模型1. 0 實現了文生音頻與參考音頻的深度聯動，在長音頻中保持音色高度統一，創作者無需逐段比對、反覆修音。當前模型單次支持 2 分鐘音頻創作，並可通過多次延長功能在長程生成中保持音色一致，滿足有聲書、播客、長劇集等場景需求。

此外，模型還支持音色與風格的解耦控制，同一音色可適配不同情緒和語境，甚至實現"一聲多角"——同一個聲音在不同角色設定下呈現差異化表達，顯著提升角色配音和創意音頻生產的靈活性。目前火山方舟已開啓API邀測，個人用戶可在體驗中心享有 30 分鐘創作額度，豆包音頻生成模型1. 0 也即將上線剪映、即夢、番茄等產品。