昨日，火山引擎正式发布豆包音频生成模型1.0（Doubao-Seed-Audio 1.0），支持将文本或音频任一模态作为输入，端到端生成完整音频作品。这款模型的核心突破在于：用一条Prompt就能搞定对白、音效、背景音乐的全要素生成，彻底告别人工多轨剪辑的传统工作流。
一、一句话变身”音频导演”，省去所有后期
过去，一段成片级音频作品意味着对白、音效、配乐逐条生成、手动对齐、多轨混音，流程繁琐且高度依赖后期技术能力。豆包音频生成模型1. 0 将这一切压缩进一条Prompt：用户可以在单条指令中同时定义多个角色的台词、语气和情绪节奏，嵌入笑声、叹息、停顿、方言口音等细节，背景音乐与环境音效同步生成，输出即成品。一位创作者敲下一段描述，就能直接收到可上线的有声剧、播客节目或品牌音频。
二、长音频不”串戏”，角色声音首尾如一
长音频创作中最令创作者头疼的难题，是前后一致性——角色在第 1 分钟和第 10 分钟听起来是否像同一个人。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，在长音频中保持音色高度统一，创作者无需逐段比对、反复修音。当前模型单次支持 2 分钟音频创作，并可通过多次延长功能在长程生成中保持音色一致，满足有声书、播客、长剧集等场景需求。
此外，模型还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”——同一个声音在不同角色设定下呈现差异化表达，显著提升角色配音和创意音频生产的灵活性。目前火山方舟已开启API邀测，个人用户可在体验中心享有 30 分钟创作额度，豆包音频生成模型1. 0 也即将上线剪映、即梦、番茄等产品。
