豆包音频生成模型1.0发布：一条Prompt搞定完整音频

昨日，火山引擎正式发布了豆包音频生成模型1.0（Doubao-Seed-Audio 1.0）。

这款产品最直接的意义在于：它把文本或音频任一模态作为输入，直接端到端生成完整的音频作品。

换句话说，你给它一段文本，或者随便哼一段音频，它都能直接上手干活。

核心突破其实就一句话——过去你得分别处理对白、音效、背景音乐，然后人工对齐剪辑；现在，一条Prompt就能搞定这些，彻底告别那个多轨混音的繁琐时代。

一条Prompt，省去所有后期

以前，做一段成片级的音频作品意味着什么？

• 对白要一条条生成
• 音效要单独找素材
• 背景音乐得另外挑
• 然后手动对齐、多轨混音

流程繁琐到离谱，而且高度依赖后期技术。但豆包音频生成模型1.0把这一切压缩成一条指令。

你在单条提示词里就能定义多个角色的台词、语气和情绪节奏，里面还可以嵌入笑声、叹息、停顿甚至方言口音。背景音乐、环境音效……都一并生成，输出即成品。

创作者敲一段描述，直接收工——一部有声剧、一期播客节目或一个品牌音频，就这么出来了。

长音频不“串戏”，角色声音始终如一

长音频创作最让创作者头疼的，其实是前后一致性。你想想，角色在第1分钟和第10分钟听起来是不是同一个人？这可是个大问题。

豆包音频生成模型1.0实现了文生音频与参考音频的深度联动，在长音频中能保持音色高度统一。创作者不用再逐段比对、反复修音了。

当前模型单次支持2分钟音频创作，还能通过多次延长功能，在长程生成中保持音色一致，轻松应对有声书、播客、长剧集这些场景。

另外，模型还支持音色与风格的解耦控制。什么意思？就是同一音色可以适配不同情绪和语境，甚至能做到“一声多角”——同一个声音，在不同角色设定下呈现差异化表达。这对角色配音和创意音频生产来说，灵活性直接拉满。

目前火山方舟已开启API邀测，个人用户可以在体验中心享受30分钟创作额度。而且，豆包音频生成模型1.0很快也会上线剪映、即梦、番茄等产品，到时候大家都能用上了。

《夸克》非常好用的免费AI浏览器

下载APP查看