字节的音频生成模型，才是今天的王炸。
字节的音频生成模型，才是今天的王炸。
字节的音频生成模型，才是今天的王炸。 字节的音频生成模型，才是今天的王炸。 Modified June 23 杜甫 Unable to preview. Please download the file. 这是我测试的第一个 Case。生成出来的时候，忍不住在公司喊了一声。太牛 X 了。 这完全已经不是传统的 TTS 模型了。 之前的 TTS 模型更多是在做语音合成的事情，要么克隆一个已有的声音，要么通过提示词描述一种声音，最后生成一段基于这个声音的音频。 但字节的 Seed Audio 1.0 这个新模型，它完全是在做纯粹的语音生成，模型会思考音频本身处在什么环境中，又带着什么情绪，然后再把这一切转化为声音。 大家听听下面这个 Case。同样是一次直出。风格可以从激昂到平淡任意转换，背景音可以有哨声，观众呐喊声等等。 result Unable to preview. Please download the file. 我的提示词是： 生成一段四十秒左右的世界杯赛后深夜电台。场景是深夜酒吧，电视里播放比赛回放，背景有轻微球迷欢呼声、哨声和碰杯声。两个主播复盘一个关键进球。 主播一沉稳地说：今晚这场比赛最关键的瞬间，出现在第八十三分钟。边路球员突然加速，传中来到禁区。电视回放里传来激动解说声：传中，头球摆渡，射门，球进了，球进了。主播二兴奋地说：这个进球太漂亮了。 短短十几秒，从后场推进到最后完成射门，节奏非常干净。主播一说：这就是世界杯的魅力。一瞬间，就能改变整场比赛。最后让电视回放声和球迷欢呼声慢慢淡出。 太震撼了。Seed Audio 1.0 这次带来的变化，和当时 Seedance 2.0 给视频模型领域带来的变化非常类似。 回忆一下 Seedance 2.0。 当时最让我触动的一点是，我终于可以直接描述脑海里的画面，而不用再思考镜头应该怎么拍。 人物怎么移动、镜头怎么推进、氛围怎么营造，这些事情模型会帮我完成。 今天的 Seed Audio 1.0 给我的感觉也很像。 过去做音频的时候，我们更多是在描述声音本身。音色是什么，语气是什么，情绪是什么。 但这次我发现，自己开始描述一个故事。比如杜甫刚刚听到收复失地的消息时是什么状态。是激动，是释然，还是带着一点不敢相信。 再比如世界杯赛后的深夜酒吧。电视里正在回放比赛，远处有人碰杯，有球迷欢呼，两个主播还在讨论刚才那个关键进球。 这些东西以前都需要通过配音、音效和后期一点点拼出来。 现在我只需要把脑海中的画面写出来，剩下的事情模型会把它变成这个场景中的声音。背景音乐、环境音效和人声统一生成。 我们再看一个 Case： 无间道 Unable to preview. Please download the file. 这是生成的截图，一次直出，连抽卡都没抽。就这个效果，我觉得甚至都可以直接当成品来用了。这真的太强了。 因为我能感觉出来，人物在说话的时候，那种试探、迟疑、思考的情绪居然被表达出来了。 再看一个 Case。 男女主角因为一件事激烈争吵，屋里传来摔东西的声音。情绪彻底失控之后，男主摔门离开。紧接着楼下响起汽车发动机的轰鸣声。整个过程中，两个人还需要完成一段带情绪对抗的对白。 吵架 Unable to preview. Please download the file. 我又回过头测试了一些简单的 Case，像新闻播报之类的场景，Seed Audio 1.0 完全可以搞定了。而且这个效果，简直完美啊。 新闻播报 Unable to preview. Please download the file. 还有评书： 评书 Unable to preview. Please download the file. 悬疑片旁白： 悬疑片旁白 Unable to preview. Please download the file. 哈哈哈，埋个彩蛋，上面这几个 Case，不知道大家有没有注意到一个细节，它们其实用的是同一个音色。 我只是固定了一个声线，然后通过提示词去改变人物所处的环境、情绪和状态。 这个场景里，Seed Audio 1.0 模型处理得非常好。就这个能力，我觉得完全可以把它用在真实的影视剧配音当中了。 毕竟在影视剧里，一个角色的音色是固定的。观众听到这个声音，就知道这是同一个人。 但同一个人会经历完全不同的情绪。从开心、愤怒，到悲伤、绝望，甚至崩溃。这些变化其实比音色本身更难。 过去很多模型，开心、愤怒、悲伤听起来经常只是同一个声音换了一种语气，本质上还是在念稿。 现在，Seed Audio 1.0 完全可以搞定了。 有这方面需求的朋友可以去试试。 再继续，我又脑洞大开，跑了一个更让我惊喜的 Case。因为我刚才突发奇想，是不是可以让它生成一段戏剧。能唱戏的话就太酷了。 这个效果，燃啊。 京剧 Unable to preview. Please download the file. 又试了下秦腔。懂戏曲的同学来验收下生成是否准确。 秦腔 Unable to preview. Please download the file. 玩到这里的时候，我的想象力彻底被打开了。 我突然意识到，语音模型可能也走到了一个新的阶段。 过去这些年，整个 TTS 行业都在卷拟真度、情绪控制和声音克隆，目标是让 AI 把一句话念得越来越像真人。 这背后是一套典型的语音合成逻辑。 文字是输入，声音是输出。中间优化的所有东西，无论是音色克隆、情绪表达还是语速控制，本质上都在服务同一个目标：把声音生成得更真实。 但这次 Seed Audio 1.0，让我第一次意识到，语音模型可能正在从语音合成走向语音创作。 这两个词看起来只差两个字，背后其实是两种完全不同的逻辑。语音合成关注的是一句话怎么念，语音创作关注的是一个场景应该怎么被表达。 我顺手又试了一个更日常的场景，直播带货。我给它的任务不是念一段荔枝卖点，而是直接生成一个直播间。 生成出来的效果，最有意思的地方是，你能听到主播剥荔枝的声音，泡沫箱等等音效。 背景里的促销音乐也没有从头到尾平铺，它是一阵一阵往上顶，真的非常真实，又又震惊到我了。 带货 Unable to preview. Please download the file. 刚刚我又有一个新的脑洞，是不是可以直接把一段小说里的文字发给模型，让它来把声音表达出来。可惜的是，模型拒绝了这样的提示词。 现在是 Seed Audio 1.0，我在想，再有半年时间，我这样的构想应该就会逐步地实现。 比如一本小说，里面有旁白，有对白，有情绪变化，有人物关系，也有环境描写。 我们不需要再手动拆分角色，不需要再单独设计配音方案，直接把整本书交给模型。 它自己理解剧情的发展、人物的状态和场景的变化，然后把整个故事演绎出来。 如果真到了那一天，我们创作音频的方式，可能会和今天完全不同。 我第一次看到了音频创作未来的模样。 杜甫 Unable to preview. Please download the file. 杜甫 Unable to preview. Please download the file. 这是我测试的第一个 Case。生成出来的时候，忍不住在公司喊了一声。太牛 X 了。 这完全已经不是传统的 TTS 模型了。 之前的 TTS 模型更多是在做语音合成的事情，要么克隆一个已有的声音，要么通过提示词描述一种声音，最后生成一段基于这个声音的音频。 但字节的 Seed Audio 1.0 这个新模型，它完全是在做纯粹的语音生成，模型会思考音频本身处在什么环境中，又带着什么情绪，然后再把这一切转化为声音。 大家听听下面这个 Case。同样是一次直出。风格可以从激昂到平淡任意转换，背景音可以有哨声，观众呐喊声等等。 result Unable to preview. Please download the file. result Unable to preview. Please download the file. 我的提示词是： 生成一段四十秒左右的世界杯赛后深夜电台。场景是深夜酒吧，电视里播放比赛回放，背景有轻微球迷欢呼声、哨声和碰杯声。两个主播复盘一个关键进球。 主播一沉稳地说：今晚这场比赛最关键的瞬间，出现在第八十三分钟。边路球员突然加速，传中来到禁区。电视回放里传来激动解说声：传中，头球摆渡，射门，球进了，球进了。主播二兴奋地说：这个进球太漂亮了。 短短十几秒，从后场推进到最后完成射门，节奏非常干净。主播一说：这就是世界杯的魅力。一瞬间，就能改变整场比赛。最后让电视回放声和球迷欢呼声慢慢淡出。 太震撼了。Seed Audio 1.0 这次带来的变化，和当时 Seedance 2.0 给视频模型领域带来的变化非常类似。 回忆一下 Seedance 2.0。 当时最让我触动的一点是，我终于可以直接描述脑海里的画面，而不用再思考镜头应该怎么拍。 人物怎么移动、镜头怎么推进、氛围怎么营造，这些事情模型会帮我完成。 今天的 Seed Audio 1.0 给我的感觉也很像。 过去做音频的时候，我们更多是在描述声音本身。音色是什么，语气是什么，情绪是什么。 但这次我发现，自己开始描述一个故事。比如杜甫刚刚听到收复失地的消息时是什么状态。是激动，是释然，还是带着一点不敢相信。 再比如世界杯赛后的深夜酒吧。电视里正在回放比赛，远处有人碰杯，有球迷欢呼，两个主播还在讨论刚才那个关键进球。 这些东西以前都需要通过配音、音效和后期一点点拼出来。 现在我只需要把脑海中的画面写出来，剩下的事情模型会把它变成这个场景中的声音。背景音乐、环境音效和人声统一生成。 我们再看一个 Case： 无间道 Unable to preview. Please download the file. 无间道 Unable to preview. Please download the file. 这是生成的截图，一次直出，连抽卡都没抽。就这个效果，我觉得甚至都可以直接当成品来用了。这真的太强了。 因为我能感觉出来，人物在说话的时候，那种试探、迟疑、思考的情绪居然被表达出来了。 再看一个 Case。 男女主角因为一件事激烈争吵，屋里传来摔东西的声音。情绪彻底失控之后，男主摔门离开。紧接着楼下响起汽车发动机的轰鸣声。整个过程中，两个人还需要完成一段带情绪对抗的对白。 吵架 Unable to preview. Please download the file. 吵架 Unable to preview. Please download the file. 我又回过头测试了一些简单的 Case，像新闻播报之类的场景，Seed Audio 1.0 完全可以搞定了。而且这个效果，简直完美啊。 新闻播报 Unable to preview. Please download the file. 新闻播报 Unable to preview. Please download the file. 还有评书： 评书 Unable to preview. Please download the file. 评书 Unable to preview. Please download the file. 悬疑片旁白： 悬疑片旁白 Unable to preview. Please download the file. 悬疑片旁白 Unable to preview. Please download the file. 哈哈哈，埋个彩蛋，上面这几个 Case，不知道大家有没有注意到一个细节，它们其实用的是同一个音色。 我只是固定了一个声线，然后通过提示词去改变人物所处的环境、情绪和状态。 这个场景里，Seed Audio 1.0 模型处理得非常好。就这个能力，我觉得完全可以把它用在真实的影视剧配音当中了。 毕竟在影视剧里，一个角色的音色是固定的。观众听到这个声音，就知道这是同一个人。 但同一个人会经历完全不同的情绪。从开心、愤怒，到悲伤、绝望，甚至崩溃。这些变化其实比音色本身更难。 过去很多模型，开心、愤怒、悲伤听起来经常只是同一个声音换了一种语气，本质上还是在念稿。 现在，Seed Audio 1.0 完全可以搞定了。 有这方面需求的朋友可以去试试。 再继续，我又脑洞大开，跑了一个更让我惊喜的 Case。因为我刚才突发奇想，是不是可以让它生成一段戏剧。能唱戏的话就太酷了。 这个效果，燃啊。 京剧 Unable to preview. Please download the file. 京剧 Unable to preview. Please download the file. 又试了下秦腔。懂戏曲的同学来验收下生成是否准确。 秦腔 Unable to preview. Please download the file. 秦腔 Unable to preview. Please download the file. 玩到这里的时候，我的想象力彻底被打开了。 我突然意识到，语音模型可能也走到了一个新的阶段。 过去这些年，整个 TTS 行业都在卷拟真度、情绪控制和声音克隆，目标是让 AI 把一句话念得越来越像真人。 这背后是一套典型的语音合成逻辑。 文字是输入，声音是输出。中间优化的所有东西，无论是音色克隆、情绪表达还是语速控制，本质上都在服务同一个目标：把声音生成得更真实。 但这次 Seed Audio 1.0，让我第一次意识到，语音模型可能正在从语音合成走向语音创作。 这两个词看起来只差两个字，背后其实是两种完全不同的逻辑。语音合成关注的是一句话怎么念，语音创作关注的是一个场景应该怎么被表达。 我顺手又试了一个更日常的场景，直播带货。我给它的任务不是念一段荔枝卖点，而是直接生成一个直播间。 生成出来的效果，最有意思的地方是，你能听到主播剥荔枝的声音，泡沫箱等等音效。 背景里的促销音乐也没有从头到尾平铺，它是一阵一阵往上顶，真的非常真实，又又震惊到我了。 带货 Unable to preview. Please download the file. 带货 Unable to preview. Please download the file. 刚刚我又有一个新的脑洞，是不是可以直接把一段小说里的文字发给模型，让它来把声音表达出来。可惜的是，模型拒绝了这样的提示词。 现在是 Seed Audio 1.0，我在想，再有半年时间，我这样的构想应该就会逐步地实现。 比如一本小说，里面有旁白，有对白，有情绪变化，有人物关系，也有环境描写。 我们不需要再手动拆分角色，不需要再单独设计配音方案，直接把整本书交给模型。 它自己理解剧情的发展、人物的状态和场景的变化，然后把整个故事演绎出来。 如果真到了那一天，我们创作音频的方式，可能会和今天完全不同。 我第一次看到了音频创作未来的模样。 🔗 原文链接： https://mp.weixin.qq.com/s/Fm2KHv93... https://mp.weixin.qq.com/s/Fm2KHv93... 原创 阿颖 阿颖 AI产品阿颖2026年6月23日 16:25 北京 字节的多模态模型，这水准真的没得说。 早上，我体验了一下他们新发的豆包音频生成模型，Seed Audio 1.0。 不废话，先给大家看一个具体的 Case，让它以杜甫的口吻吟诵《闻官军收河南河北》。 这里面的声音表现、情绪起伏和声场氛围，全部都是一个 Prompt 直接生成的，我没有做任何后期处理。 而且 Prompt 非常简单，不需要任何专业词汇：