火山引擎发布豆包音频生成模型1.0：全要素直出影视级成片

6月24日，火山引擎在昨日举行的FORCE原动力大会上正式发布了豆包音频生成模型1.0，标志着音频AI创作从"单句工具"跃迁为"音频导演"。该模型首次支持多模态参考生成——文本或音频任一模态作为输入，均可端到端生成高质量目标音频，并在长时生成场景中保持多角色音色一致，大幅减少后期修音工作。

影视级音频创作是全要素生成的核心突破。过去，一段成片级音频意味着对白、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能力。豆包音频生成模型1.0将这一切压缩进一条Prompt，直接产出具备完整叙事感的成品音频。单条指令可同时定义多个角色的台词、语气和情绪节奏并保持声音一致；笑声、叹息、方言口音等细节精准还原；背景音乐、环境音效与人声统一生成，无需额外混编。实测中，模型一次生成了包含旁白、长老、少年三人对话及古筝、大鼓、剑鸣等多重音效的漫剧片段，直接达到交付水准。

长时一致性是另一大核心能力。长音频创作最棘手的痛点并非单句质量，而是角色在音频第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，在长篇有声书、播客、长剧集等场景中保持音色高度统一。一次支持2分钟音频创作，以此参考输入延长时可在多次延长中保持音色一致。实测中，创作者用前版本16秒音频作为参考，Seed-Audio 1.0续接了包含完整对话和电话忙音的1分10秒剧情，音色状态完全一致。

零样本多模态参考则大幅降低了音频创作门槛。用户仅需文本描述即可生成匹配的声音特征，无需提供任何语音样本。模型还实现了音色与风格的解耦控制，支持"一声多角"——同一个声音在不同角色设定下呈现差异化表达。

目前，豆包音频生成模型1.0已在火山方舟开启API邀测，个人用户可在体验中心免费享有30分钟创作额度，后续将上线剪映、即梦、番茄等产品。业内人士指出，该模型补齐了豆包全链路创作的音频板块，标志着图文、视频、音频已全面实现AI一体化创作，一人即是一支完整的音频制作团队。