提示词直出影视级声音：豆包音频生成模型实测

火山引擎上线豆包音频生成模型1.0（Seed-Audio 1.0）。相比去年10月的语音合成2.0，此次升级为“音频生成”，核心能力是影视级全要素直出：一段提示词即可一次生成人声、配乐、音效、环境声，无需后期分轨合成。

也就是说，过去用AI做声音，用户往往只能得到一条干净的人声；现在模型能把人声、配乐、音效和环境声在同一段音频里编排在一起，直接交付一段有画面感的声音。这在以前通常需要配音、音效、混音几个岗位分别完成。

实测中，该模型的完成度相当高。它可以生成1分10秒的连续对话，对话中不仅包含角色的情绪变化，还自然地出现了电话忙音，模拟出真实的通话场景；为三人漫剧配音时，它能够输出旁白、长老、少年等不同音色，同时配上古筝、刀剑等音效，听上去就像一段完整的广播剧。此外，它还能制作世界杯解说和冰雪奇缘特效片段，冰晶碎裂的音效与原文接近。

长内容方面，古诗朗读没有AI腔，能保持长程一致性，单次生成可达2分钟；更重要的是，它可以基于参考音频继续生成，把一段声音延展到几十分钟。这意味着创作者先用一小段样本定好音色，就能让模型持续产出后续内容，而不必每次重新描述。四川方言场景也表现自然，说明模型对地域性口音的适应力并不弱。

从合成到生成

严格来说，从“语音合成2.0”到“音频生成1.0”不是简单的版本迭代，而是创作范式变了。语音合成关注的是“说得像人”，音频生成关注的是“像一部作品”。Seed-Audio 1.0把配乐、音效、环境声和人物对白当成一个整体来建模，提示词就是导演的剧本，模型一次性完成所有声部的编排。

这种能力可能大幅降低声音创作的门槛。过去创作者如果要做一个带背景音乐和现场音效的片段，需要分别找素材、分轨录制、再手动混音；现在只需要写一段文字，剩下的交给模型。用作者的话说，它不再是单纯的配音工具，而是“声音导演”——一个人就能完成成片级声音制作。

落地方式

模型已在火山方舟上线。使用上，它支持上传参考音频生成相似音色，这意味着制作方可以固定一个角色声线，再让模型生成它后续的台词。同时，在文本中@多个音频，可以实现多人多音色的对话，相当于一场“声音演出”的指挥中心。

从语音合成到音频生成，AI声音创作正在从“能说话”走向“能导演”。这次豆包音频生成模型1.0的落地，或许就是声音内容制作新阶段的一个信号：未来的有声剧、短视频、动画配音，也许只需要一个写提示词的人。