火山引擎近日推出了一款名为豆包音频生成模型1.0（Doubao-Seed-Audio 1.0）的创新产品，标志着音频创作领域迎来重大变革。这款模型突破传统音频制作模式，支持以文本或音频为输入，通过单一指令即可生成包含对白、音效和背景音乐的完整音频作品，彻底颠覆了人工多轨剪辑的繁琐流程。
在传统音频制作中，创作者需要分别生成对白、音效和配乐，再通过手动对齐和多轨混音完成作品，这一过程不仅耗时耗力，还高度依赖专业后期技术。豆包音频生成模型1.0将这一复杂流程简化为一条指令：用户只需在提示词中定义角色台词、语气、情绪节奏，嵌入笑声、叹息等细节，模型即可同步生成背景音乐与环境音效，直接输出可上线的成品内容，如有声剧、播客节目或品牌音频。
针对长音频创作中角色音色前后不一致的痛点，该模型通过文生音频与参考音频的深度联动技术，实现了单次2分钟音频创作及多次延长功能下的音色统一。这意味着在有声书、播客或长剧集等场景中，角色在第1分钟与第10分钟的音色将保持高度一致，创作者无需反复比对修音，显著提升了制作效率与作品质量。
更值得一提的是，模型支持音色与风格的解耦控制，同一音色可适配不同情绪和语境，甚至实现“一声多角”的差异化表达。例如，同一个声音可在不同角色设定下呈现截然不同的语气特征，为角色配音和创意音频生产提供了更大灵活性。目前，火山方舟已开放API邀测，个人用户可在体验中心获得30分钟免费创作额度，该模型也将陆续接入剪映、即梦、番茄等平台。
