字节跳动推出 Seed Audio 1.0：AI 音频生成进入完整声音场景创作时代

字节跳动近日正式发布音频创作模型 Seed Audio 1.0，标志着 AI 音频生成技术从单一语音合成迈向完整声音场景创作的新阶段。该模型目前已上线火山方舟体验中心，面向创作者开放测试。

传统影视级音频内容生产长期依赖多模型分别生成人声、音效与环境声，再经人工拼接混音，流程冗长且难以保证整体叙事一致性。Seed Audio 1.0 的核心突破在于，它并非简单拼接素材，而是在统一框架下联合建模多种音频要素，端到端生成可服务于叙事的"完整声音作品"。

据官方介绍，Seed Audio 1.0 具备三大核心能力：

一是精准的时空编排，支持以 100 毫秒精度按时间线控制对白、音效的入场时机，适配视频配音与广告制作；二是稳定的音色演绎，支持零样本生成与长音频延展，在保持角色音色一致性的同时，可自然呈现愤怒、喜悦等不同情绪，同一音色还能演绎多个角色；三是地道的多语种支持，覆盖中文、英语、日语等 20 余种语言，确保声音在不同语种下符合本土表达节奏与重音习惯。

评测数据显示，该模型在九大类常见创作场景中的音频可用率已超过 90%，多语言生成的自然度 MOS 评分普遍达到 4 分以上（优秀水平）。

从"会说"到"会创作"，Seed Audio 1.0 显著降低了高质量音频内容的制作门槛。未来，团队计划进一步融合视频参考等多模态输入，并探索可控翻译技术，持续优化长音频与分轨生成能力，助力创作者将脑海中的声音构想高效转化为可听见的作品。

项目主页：https://seed.bytedance.com/seedaudio1_0

体验入口：火山方舟体验中心 → 登录 → 选择语音模型 → 语音合成 → Doubao-音频生成-1.0