在人工智能赋能内容创作的赛道上，火山引擎近日交出了一份重量级答卷。6月23日，豆包音频生成模型1.0正式发布，凭借“多模态参考生成”与“长时音色一致性”两大核心技术，彻底打破了传统音频制作繁琐的后期工作流。
过去，制作一段达到成片水准的音频，创作者往往需要分别生成对白、音效和配乐，再通过复杂的手动对齐与混音来实现，极其考验后期功底。而豆包音频生成模型1.0带来的变革在于，它将这一过程高度浓缩——用户只需输入一条包含角色台词、情绪语气、背景音乐乃至环境氛围的 Prompt，模型即可直接产出具备叙事张力的完整音频成片。
针对长音频创作中常见的“角色串戏”痛点，该模型实现了文生音频与参考音频的深度联动。无论是创作长篇有声书还是复杂播客，模型都能在多次音频延长中，稳定保持角色的声音特性。这种一次性交付前后一致音色的能力，极大地满足了专业创作者对长程生成场景的严苛需求。
此外，该模型还具备强大的“0样本多模态音频创造”能力。通过支持文本描述或参考音频输入，创作者无需额外训练即可得到高质量的目标音频。模型在音色与风格的控制上实现了深度解耦，支持“一声多角”的演绎，让同一个声音在不同情绪和场景下展现出极高的表现力，显著降低了专业音频制作的门槛。
目前，火山方舟已开启该模型的 API 邀测，个人用户可直接获取30分钟的创作额度。随着该技术即将上线剪映、即梦及番茄等平台，音频创作正从繁琐的“剪辑拼接”向高效的“创意导演”演进。这一模型不仅是技术的突破，更标志着 AI 正在成为内容创作者手中最有力的“全能助手”。
