我做了個新聞聯播版《甄嬛傳》，全靠這款字節模型

字節跳動今日（7月20日）正式推出音頻創作模型Seed Audio 1.0，這款模型號稱僅需一段提示詞，就可生成包含對白、音效與環境聲的完整聲音場景，並支援多音頻元素協同生成、音色風格控制與多語種自然表達，還能維持長音頻中的角色一致性。根據官方說法，Seed Audio 1.0在複雜聲音場景編排上無需拼接，就能自然組織角色語氣、背景氛圍與聲音節奏，輸出更接近一段完整作品。實際測試發現，Seed Audio 1.0確實能根據文字描述生成包含角色對話、環境音與音效的完整聲音片段。例如在一段辦公室場景中，模型還原了角色落寞的語氣、翻頁時的停頓，以及主管走過來時的高跟鞋聲響，整體氛圍相當到位。

不過，部分場景下生成的音頻仍帶有AI感，情緒細節與真實度仍有提升空間。Seed Audio 1.0的另一項亮點是能僅憑場景描述，直接生成角色對話，無需在提示詞中指定語氣或對白內容。測試時輸入一段描述：「螢光燈持續嗡鳴、冰櫃壓縮機低響、高速貨車不時駛過，低沉懸疑弦樂鋪墊，兩名中年男人分開站在窗口兩側，一人侷促不安反覆望向加油站入口，另一人單手插兜、神色冷淡散漫，兩人刻意保持距離互不靠近。」模型便生成一段兩名男子在高速加油站等待同夥接頭的懸疑場景，環境音與角色語氣成功營造出緊張氛圍，兩人的對話也對應了提示中一人緊張、一人散漫的設定。

在角色聲音一致性方面，測試以古風武俠對話為例，要求模型生成包含對白、音效與環境聲的完整場景。提示詞描述深秋密林濃霧籠罩、寒風呼嘯、遠處狼嚎，並指定兩名角色「蘇晚」與「沈硯」的年齡、聲線與情緒狀態。生成的音頻不僅還原了密林風聲、狼嚎、箭矢穿透、巨石碎裂等聲音元素，兩名角色的音色與語氣也與設定一致，蘇晚的兩段台詞沒有出現明顯的角色漂移。Seed Audio 1.0的聲音模仿能力同樣突出。測試時先提供一段新聞聯播女聲參考音頻，再給出《甄嬛傳》中甄嬛的台詞文字，要求模型以新聞聯播女聲風格輸出。結果顯示，模型無需額外訓練就能生成模仿音頻，音色還原度高，辨識度明顯。

這項能力讓創作者可以直接用文字描述目標聲音，或結合參考音頻進一步控制生成結果，無需為每一種聲音單獨訓練模型。多語言能力也是Seed Audio 1.0的重點特色。測試以粵語為例，要求模型生成一段茶餐廳場景的對話，包含底層音效如瓷碗碰撞、抽油煙機低頻嗡鳴、鄰桌客人交談等。生成的音頻完整還原了茶餐廳背景音效，語氣與節奏掌握良好，但部分段落音色仍有AI感，尤其剛進入對話時較不自然，後續對話則相對流暢。官方宣稱該模型支援20餘種語言生成，多數語種的人聲自然度MOS平均分超過4分（4分為優質標準）。官方評測數據顯示，Seed Audio 1.0在音色生成、複雜場景創作與多語種表達方面具備較強能力。

在盲測主觀偏好CMOS打分中，該模型相較頭部商用音頻服務最高提升0.79，用戶更偏好其生成音頻；在電影、短劇、播客、動畫等十餘類場景測試下，整體音頻可用率達91%。除了上述能力，Seed Audio 1.0還具備時間線控制功能，能將角色、台詞、情緒與音效按照時間線進行編排，支援100毫秒級的時間精度，讓生成音頻更符合影視、廣告等內容創作需求。官方展示了一段模型對影片的翻配，角色進場與說話時間都能精準卡點。此外，模型還能在同一音色基礎上生成不同風格的音頻，例如足球解說的高亢激昂、有聲書的平穩敘述，以及直播帶貨的快速強調。從語音合成到音頻創作，AI音頻模型正逐步突破單一聲音生成的邊界。

Seed Audio 1.0嘗試將對白、音效、環境聲與情緒表達統一在同一生成框架中，讓AI能夠理解完整聲音場景，而不只是輸出一段語音。隨著模型對聲音結構、角色一致性與時間控制能力的不斷增強，AI音頻正從輔助工具逐漸走向內容生產的核心環節。未來，如何讓生成聲音進一步貼近真人表達，並滿足更複雜的創作需求，將是音頻大模型持續探索的方向。