字節發佈 Seed Audio 1.0 音頻創作模型：支持精細時間控制，音色風格可控、長時穩定

7月20日，字节跳动Seed官方正式发布音频创作模型Seed Audio 1.0。该模型面向完整声音场景，在统一框架下联合建模人声、音效和环境声等多种音频要素，能够端到端完成影视级音频创作。官方表示，声音不再只是画面的补充，而是可以直接参与叙事，在听者脑海中形成画面感，真正实现“听见”即“看见”。Seed Audio 1.0具备多要素统一编排能力，支持精细的时间控制。用户只需输入一条提示词，即可统一编排带有特定情绪的对话、关键音效和环境声，并能够按时间线精准控制不同声音的进场顺序与持续时间，确保声音与画面完美同步，满足高标准影视制作需求。

在音色风格控制方面，模型支持文本与参考音频联合输入，在生成长音频或进行多次延长场景下，能始终保持角色音色的一致性与稳定性。同时，同一音色还能依据上下文自然呈现出多种语气和情绪，使角色声音更加生动立体，富有表现力。多语种自然生成是该模型的另一大亮点。Seed Audio 1.0支持超过二十种语言的音频生成，同一角色的声音可根据不同语言的特点，在发音、节奏与表达方式上呈现更自然的表现，从而实现跨语言的角色声音一致性，为多语种内容创作提供有力支持。在文本生成音色的基础能力上，根据官方公布的AB主观评测结果，Seed Audio 1.

0相比以往模型表现出显著优势，在音频的可用率与优良率上均有明显提升，标志着其生成音质的自然度与逼真度达到了新水平。针对多场景音频生成的适用性，官方评测了影视、电视节目、短剧、动漫、播客对话、直播带货、网络创作、话剧以及语音合成等多个典型场景。结果显示，在绝大多数场景中，Seed Audio 1.0生成的音频可用率均已达到百分之九十以上，展现出广泛的业态势覆盖能力和稳定的生成质量。在多语言音频生成的自然度评测中，模型在大部分语言上的平均意见得分超过四分，音质已达到优秀水准，听感自然流畅。这表明其跨语言合成能力能够胜任高品质音频内容制作。

在复杂音频生成的指令遵循能力上，除越南语外，其余语言的指令遵循平均意见得分均高于三点五分，说明Seed Audio 1.0能够准确理解并执行用户通过自然语言下达的指令，在多语言场景下依然保持较强的可控性与准确性。目前，Seed Audio 1.0已正式在火山方舟体验中心上线，感兴趣的用户可通过官方链接免费进行体验。这台为内容创作者、影视制作人员及多媒体爱好者提供了一个高效便捷的音频创作工具，显著降低了专业音频制作的入门门槛。作为字节跳动在人工智能生成领域的重要技术成果，Seed Audio 1.0的推出丰富了Seed系列的产品矩阵，也展现了其在音频理解与生成方面的技术积累。

未来，该模型有望在更多场景中发挥作用，推动音频创作向智能化、高效化发展。总体而言，Seed Audio 1.0凭借其细腻的多要素控制、稳定的角色音色以及出色的多语言能力，为影视级音频创作提供了全新的解决方案。从对白到环境声，从单语种到多语种，模型都能够胜任，真正让“听见”即“看见”从概念走向实际应用。