昨日，火山引擎正式发布豆包音频生成模型1.0（Doubao-Seed-Audio 1.0）。该产品最直接的价值在于：它能够以文本或音频任意一种模态作为输入，端到端直接生成完整的音频作品。换句话说，你只需输入一段文字，或随意哼唱一段音频，它就能立刻上手完成创作。核心突破可以概括为一句话——过去你需要分别处理对白、音效、背景音乐，再人工对齐并剪辑；现在，仅需一条Prompt就能搞定所有环节，彻底告别多轨混音的繁琐时代。

### 一条Prompt，省去所有后期 过去，制作一段成片级的音频作品意味着什么？对白需要逐条生成，音效要单独寻找素材，背景音乐还得另外挑选，随后手动对齐、进行多轨混音。流程极其繁琐，并且高度依赖后期技术。但豆包音频生成模型1.0将这一切简化为一条指令。你可以在单条提示词中定义多个角色的台词、语气以及情绪节奏，还能嵌入笑声、叹息、停顿甚至方言口音。背景音乐、环境音效……一并生成，输出即为成品。创作者只需敲一段描述，即可收工——一部有声剧、一期播客节目或一个品牌音频，就这样轻松完成了。 ### 长音频不“串戏”，角色声音始终如一 长音频创作最让创作者头疼的，其实是前后的一致性。试想，角色在第1分钟和第10分钟听起来是否像同一个人？这确实是个大问题。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，在长音频中能够保持音色高度统一。创作者无需再逐段比对、反复修音。当前模型单次支持2分钟音频创作，并可通过多次延长功能，在长程生成中保持音色一致，轻松应对有声书、播客、长剧集等场景。 此外，模型还支持音色与风格的解耦控制。这意味着什么？就是同一音色可以适配不同情绪和语境，甚至能做到“一声多角”——同一个声音，在不同角色设定下呈现出差异化表达。这对角色配音和创意音频生产来说，灵活性直接拉满。目前火山方舟已开启API邀测，个人用户可以在体验中心享受30分钟创作额度。而且，豆包音频生成模型1.0很快也会上线剪映、即梦、番茄等产品，届时大家都能用上了。