字节跳动Seed团队发布音频创作模型Seed Audio 1.0

就在7月22日，字节跳动Seed团队正式推出了他们的音频生成模型——Seed Audio 1.0。这个模型基于统一架构，能端到端合成为人声、音效以及环境声在内的完整三维音频场景，目标很明确：打造“听即所见”的沉浸式听觉体验。

这套模型的技术亮点可以说相当丰富。先说精度：它支持毫秒级（100ms）的时间精度控制，这意味着声音元素的起始时刻可以被精细编排。再来说延展性：支持零样本语音生成，还能实现长时音频的连续延展，单次输出时长可达2分钟，而且角色音色全程保持一致——这在影视配音里可是个硬需求。语言方面，它兼容中、英、日、韩等20余种语言，同一音色还能在不同语言之间自然跨语言迁移，打通了多语种制作的壁垒。

从实测数据来看，Seed Audio 1.0在文本到音色生成任务中表现突出。在影视配音、播客制作、短剧音频等主流应用场景里，音频可用率都突破了90%，基本可以实用了。目前，这个模型已经正式上线火山方舟体验中心，面向开发者和创作者开放体验。