字节跳动旗下豆包团队本周正式发布音频生成模型 Seed Audio 1.0，并在火山方舟体验中心开放创作者测试，企业端 API 也同步邀测。这款模型把人声、配乐、音效和环境声视为同一个声音场景中的元素，一次生成最长接近 2 分钟的完整音轨，支持 20 多种语言。
豆包同时称，个人用户可以直接在火山方舟体验中心使用，国际开发者则可通过 BytePlus 接入，模型也已经整合进豆包 App。
不是传统 TTS，而是整段声音场景一起生成
报道提到，过去制作一段配音时，人声、配乐和音效通常需要分别录制，再分别对齐时间轴，最后在剪辑软件中手动拼接。Seed Audio 1.0 的目标，是通过一次推理直接生成完整声音场景，减少中间拼接流程。
与传统 TTS，也就是文字转语音不同，Seed Audio 1.0 并不只是把文本“念出来”。它把人声、背景音乐、音效和环境声都纳入同一个声音场景，再映射进统一的声学表征中处理。换句话说，模型不是把“谁在说话”和“背景在放什么”拆开分别生成，而是将整个场景作为一个整体生成出来。
支持零样本参考，可安排多角色对白和音效
根据介绍，Seed Audio 1.0 支持零样本（zero-shot）多模态参考。用户无需重新训练模型，只要提供一段文本或一段音频作为示例，模型就可以模仿对应声音的音色与风格。
一条提示词可以同时安排多角色对白、背景音乐和拟音特效。即便生成时长拉长到接近 2 分钟，音频中的多个角色音色也不会在中途发生明显偏移。
在控制能力上，该模型的时间轴精度达到 100 毫秒，对白何时开始、音效何时进入，都可以较为精确地对齐。语言方面，模型支持超过 20 种语言，中文、英语和日语都包含在内。报道还提到，音色和风格可以分开调整，不需要为了更换说话方式而重新更换声音。
面向配音、配乐、拟音与混音等创作流程
这套能力对应的应用场景包括影像级音频创作中的配音、配乐、拟音和混音，也延伸到有声书、广播剧、Podcast、短视频、游戏和互动媒体。按报道描述，这相当于把过去需要后期团队分工完成的多项音频工序，集中到一个模型中处理。
把多条生成链路改成同一表征空间
报道指出，过去语音生成通常会把任务拆成多条线分别处理，例如语音合成一条、配乐一条、音效一条，各自训练、各自输出，再由用户手动把结果对齐到同一时间轴上。
Seed Audio 1.0 的做法则相反：先把所有声音元素放进同一个表征空间，再一次完成生成。这样带来的结果是，不同角色的音色，以及场景中的音乐和音效，从生成阶段开始就是同步的，不需要后续再做额外校准。
对比 ElevenLabs：三步生成与一步生成
文章以 ElevenLabs 的 Studio 作为对照。按照文中说法，ElevenLabs 的路径是把语音、音乐和音效拆分为 3 个独立 API 分别生成，用户需要自行在时间轴上拼接和对齐；豆包则试图用一次推理替代这些环节。
价格方面，文中提到 ElevenLabs Pro 月费为 99 美元，而豆包采用火山引擎的 token 计费方式，也就是按用量收费。在中文场景下，报道认为其成本明显更低。
文章最后提到，配音、配乐和音效过去对应的是 3 个工种、3 套软件和 3 次导出流程。Seed Audio 1.0 想验证的是，这些工序是否可以被压缩进同一次推理中完成。至于它能否真正替代影像配音、有声书和 Podcast 等场景中的专业分工，仍要看创作者实际使用后的反馈。