إطلاق Seed Audio 1.0 من Doubao: توليد خطوة واحدة لأصوات البشر والموسيقى التصويرية والمؤثرات البيئية

字節跳動旗下豆包團隊本週正式發表音訊生成模型 Seed Audio 1.0，同步上線火山方舟體驗中心開放創作者測試。這款模型把人聲、配樂、音效、環境聲視為同一個聲音場景，一次生成長達 2 分鐘、支援 20 余種語言的完整音軌。
（前情提要：字節跳動發布AI模型「OmniHuman-1」：讓黃仁勳變Rapper、泰勒絲唱日文歌，網讚超逼真）
（背景補充：字節跳動首創「豆包股」！發行獨立期權防堵騰訊挖角，打響 AI 人才保衛戰）

本文目錄

Toggle

• 从念稿子到搭场景
• 为什么要把声音拆开重新看待
• ElevenLabs 的三步，豆包的一步

字節跳動旗下豆包本週正式發表 Seed Audio 1.0，也叫豆包音訊生成模型 1.0，同步上線火山方舟體驗中心開放創作者測試，企業端 API 也一起邀測。

過去做一段配音，人聲、配樂、音效通常得分開錄、分開對時間軸，最後才在剪輯軟體裡手動拼在一起。這次豆包想做的，是讓一次推理就把整個聲音場景生出來，人不用再當中间的接線生。

個人用戶可以在火山方舟體驗中心直接上手，國際開發者則透過 BytePlus 接入，這個模型也已經整合進豆包 app 本身。

從念稿子到搭場景

Seed Audio 1.0 不是傳統的 TTS。TTS 是文字轉語音，簡單來说就是把一段文字唸出來；而 Seed Audio 1.0 把人聲、背景音樂、音效、環境聲都當成同一個聲音場景裡的元素，對映進一個統一的聲學表徵。

簡單來说就是，模型不是分開處理誰在說話和背景在放什麼，而是把整個場景當成一件事一起生成。

它支援零樣本（zero-shot）多模態參考，簡單來說就是，不用重新訓練，丟一段文字或一段音訊當範例，模型就能模仿那個聲音的音色與風格。一條提示詞可以同時安排多角色對白、背景音樂與擬音特效，擬音也就是配音圈說的音效；就算生成的音訊拉長到將近 2 分鐘，裡面好幾個角色的音色也不會中途走調。

時間軸的控制精度到 100 毫秒，对白什麼時候開口、音效什麼時候進場，都能卡得很准。語言支援超過 20 種，中文、英語、日語都在其中，音色和風格也可以分開調，不必為了換一種說話方式重新更換一個聲音。

這套能力對應的是影視級音訊創作，涵蓋配音、配樂、擬音、混音等環節，也延伸到有聲書、廣播劇、Podcast、短影音、遊戲與互動媒體，等於把過去需要一整組後期團隊分工的活，收攏到一個模型裡。

為什麼要把聲音拆開重新看待

過去語音生成的思路，通常是把任務拆成好幾條線：語音合成一條、配樂一條、音效一條，各自訓練、各自输出，用戶再自己把它們對在同一條時間軸上。

Seed Audio 1.0 的邏辑反過來，先把所有聲音元素放進同一個表徵空間，再一次生成。這麼做的好處，是角色之間的音色、場景裡的音樂與音效天生就是同步的，不用事後校準。

ElevenLabs 的三步，豆包的一步

拿 ElevenLabs 的 Studio 对照最清楚。ElevenLabs 的做法是语音、音乐、音效三個独立 API，各自生成，用戶要自己在时间軸上拼接对齐；豆包想用一次推理取代這些環節。

在价格上，ElevenLabs Pro 一个月要 99 美元，豆包走火山引擎的 token 计费，也就是按用量算钱；在中文场景下成本明显更低。

配音、配樂、音效，過去是三個工种，三套軟體，三次匯出。Seed Audio 1.0 想證明的是，这些工序可以压进同一次推理里完成。

至於它能不能真的取代影視配音、有聲書、Podcast 等場景里的專業分工，创作者用了之后怎么说。