近日，字节跳动正式推出音频创作模型Seed Audio1.0，标志着AI音频生成技术从单一语音合成阶段，迈入完整声音场景创作的崭新阶段。该模型目前已上线火山方舟体验中心，向创作者开放测试。
长期以来，影视级音频内容生产依赖多模型分别生成人声、音效与环境声，再通过人工繁琐拼接与混音，流程冗长且难以保证整体叙事一致性。Seed Audio1.0的核心突破在于，它并非简单拼接素材，而是在统一框架下联合建模多种音频要素，端到端生成可服务于叙事的“完整声音作品”。
据官方介绍，Seed Audio1.0具备三大核心能力。首先是精准的时空编排，支持以100毫秒的精度按时间线控制对白、音效的入场时机，完美适配视频配音与广告制作。其次是稳定的音色演绎，支持零样本生成与长音频延展，在保持角色音色一致性的同时，能自然呈现愤怒、喜悦等不同情绪，甚至允许同一音色演绎多个角色。第三是地道的多语种支持，覆盖包括中文、英语、日语在内的20余种语言，确保声音在不同语种下都能符合本土的表达节奏与重音习惯。
评测数据显示，该模型在九大类常见创作场景中的音频可用率已超过90%，多语言生成的自然度MOS评分普遍达到4分以上（优秀水平）。
从“会说”到“会创作”，Seed Audio1.0的发布降低了高质量音频内容的制作门槛。未来，团队计划进一步融合视频参考等多模态输入，并探索可控翻译技术，持续优化长音频与分轨生成能力，助力创作者将脑海中的声音构想高效转化为可听见的作品。
