我做了個新聞聯播版《甄嬛傳》，全靠這款字節模型

智東西
作者 茄子
編輯 程茜

智東西7月20日消息，今日，字節跳動發布音頻創作模型Seed Audio 1.0。據官方介紹，該模型通過一段提示詞即可生成包含對白、音效和環境聲的完整聲音場景，支持多音頻要素協同生成、音色風格控制和多語種自然表達，并能夠保持長音頻中的角色一致性。

智東西對Seed Audio 1.0進行了實際體驗。在測試中發現，該模型能夠根據提示詞生成包含角色對白、環境音和音效的完整場景，并在角色音色保持、聲音模仿、多語言表達等方面展現出較強能力。不過，在部分場景下，該模型生成的音頻仍存在一定AI感，情緒細節和真實度仍有提升空間。

比如，在這段辦公室場景對話中，Seed Audio 1.0生成的對話創作了辦公室日常遇到困難時的討論場景。其中，該模型對角色落寞的語氣、翻頁時的停頓和領導走過來時的高跟鞋音效都有較好地還原。

//oss.zhidx.com/uploads/2026/07/6a5def2408391_6a5def2404310_6a5def24042d6_智東西-場景對話.wav

▲Seed Audio 1.0生成辦公室對話音頻

官方評測顯示，Seed Audio 1.0在音色生成、復雜場景創作和多語種表達等方面具備較強能力。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、動畫等十余類場景測試下，該模型生成的整體音頻可用率達91%；在多語種能力測試方面，該模型支持20余種語言生成，絕大多數語種人聲自然度MOS平均分超4分（≥4分為優質標準）。

▲Seed Audio 1.0各項測試得分

體驗平臺：火山方舟體驗中心

https://seed.bytedance.com/seedaudio1_0

一、憑環境描寫，Seed Audio 1.0能直出環境音+人物對話音頻

Seed Audio 1.0發布后，智東西體驗了該模型在音頻創作和聲音模仿上的能力。

智東西首先輸入了一段不包含語氣和對白信息的提示詞，測試Seed Audio 1.0是否能夠僅根據場景描述生成符合人物設定的角色對話。

提示詞：熒光燈持續嗡鳴、冰柜壓縮機低響、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，一人局促不安反復望向加油站入口，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。

//oss.zhidx.com/uploads/2026/07/6a5dd5100267c_6a5dd50fed330_6a5dd50fed2ee_一句提示詞生成一段對話.wav

▲Seed Audio 1.0一句話創作音頻

該模型生成了一段兩名男子在高速加油站等待同伙接頭的懸疑場景，并通過環境音和角色語氣營造出緊張氛圍。此外，兩人的語氣和對話也較好地對應了提示詞中的一人緊張、一人散漫。

第二，智東西給出了一段古風武俠對話，驗證Seed Audio 1.0生成的音頻在角色聲音輸出上是否能保持一致性，以及能否生成包含對白、音效和環境聲在內的完整聲音場景。

提示詞：
1[古風武俠電影氛圍，深秋密林濃霧籠罩，林間寒風穿林呼嘯，遠處山間隱約傳來狼嚎，肅殺緊張]
2[枯枝踩踏碎裂聲響，林間冷風持續沙沙作響，樹葉被氣流卷動四處飛舞]
3蘇晚（女子，二十余歲，溫潤古風聲線，緊繃急促，壓低聲音）快步穿梭樹叢，低聲急呼：“追兵已經追上山了，快走，往懸崖密道去！”
4[身后樹干被箭矢穿透悶響，樹枝斷裂轟然落地]
5沈硯（男子，三十歲上下，聲線慌亂急促，踉蹌摔倒在枯葉堆）喘息慌亂開口：“密道入口被巨石封死，我們走投無路了！”
6蘇晚（語氣堅定凌厲，拔劍出鞘輕鳴）沉聲決斷：“我來劈開封堵巖石，你緊隨我身后，切莫亂跑！”
7[片刻安靜，風聲減弱，只剩二人急促喘氣與遠處漸近的馬蹄聲]
8[長劍全力劈砸巨石轟然爆響，碎石滾落山崖，低沉古風弦樂驟然響起，隨后徹底靜默]

//oss.zhidx.com/uploads/2026/07/6a5dd65119855_6a5dd6510e14b_6a5dd6510e115_古風武俠.wav

▲Seed Audio 1.0創作古風武俠場景音頻

從生成效果來看，Seed Audio 1.0不僅能夠理解提示詞中的場景設定，還能將環境音、人物對白和劇情事件進行組合生成。在這段音頻中，該模型還原了密林環境中的風聲、狼嚎、箭矢穿透、巨石碎裂等聲音元素，并根據人物設定生成了不同角色的聲音表現。其中，蘇晚和沈硯的音色、語氣與提示詞中的角色狀態保持一致，前者表現出緊張中的堅定，后者呈現出慌亂急促的情緒，并且，蘇晚的2段臺詞也沒有出現明顯的角色漂移。

第三，智東西體驗了該模型對聲音的模仿能力。我們給出了一段新聞聯播女聲和一段《甄嬛傳》中甄嬛的臺詞，并要求該模型用新聞聯播女聲輸出這段臺詞音頻。

//oss.zhidx.com/uploads/2026/07/6a5dd74abde60_6a5dd74ab80dc_6a5dd74ab809c_新聞聯播女聲_愛給網_aigei_com_cut_21sec.mp3

▲新聞聯播女聲

從生成音頻來看，該模型的聲音模仿能力較突出，無需額外訓練，就可以根據參考音頻生成新聞聯播女聲風格的《甄嬛傳》臺詞。在音色方面，生成結果能夠較好還原參考聲音的特點，聲音辨識度較高。

//oss.zhidx.com/uploads/2026/07/6a5dd76faa341_6a5dd76fa4277_6a5dd76fa4248_Result-1.wav

▲Seed Audio 1.0用新聞聯播女聲生成《甄嬛傳》臺詞

第四，智東西還體驗了Seed Audio 1.0的多語言能力。我們給出了一段文字，并要求該模型用粵語生成音頻。

提示詞：【底層音效：茶餐廳瓷碗碰撞、抽油煙機低頻嗡鳴、鄰桌客人細碎交談、風扇轉動聲】中年阿姨拉開膠凳坐下，拿起茶單小聲自語，語氣放松家常：“落咗成日落雨，收工即刻過嚟嘆茶，整份蝦餃燒賣同凍檸茶先，凍檸茶要少冰多檸。”手指輕敲塑料茶單發出沙沙聲。服務員端著托盤快步走近，瓷杯磕碰作響，揚聲搭話：“阿姐，今日鳳爪炆得夠曬火候，好多熟客特登過嚟點，要唔要加一碟？” 阿姨擺手輕笑，翻了兩頁餐單，隨口閑聊：“唔使啦，今日仲要趕返屋企煮飯畀孫仔，聽日再嚟試。對咗，隔籬街市今日水果平唔平？尋日我買嘅荔枝好甜。”遠處收銀臺掃碼機滴滴響，服務員轉身回話，腳步聲走遠：“今日芒果特價，十蚊三斤，晚黑收攤仲會再平啲，行過可以睇下。”

//oss.zhidx.com/uploads/2026/07/6a5ddb3e66b24_6a5ddb3e5491a_6a5ddb3e548cf_粵語對話.wav

▲Seed Audio 1.0輸出粵語音頻

Seed Audio 1.0生成的對話完整地還原了茶餐廳的背景音效，并且生成的音頻在語氣、節奏上也有較好地把握。但是在音色上還存在一定的AI感，尤其在剛進入對話的時候，難以讓人代入，后面的對話較前面更自然一點。

二、多要素協同與精準控制，Seed Audio 1.0創作完整音頻

據官方介紹，Seed Audio 1.0具備復雜聲音場景編排能力。它不需要拼接就能自然地組織角色語氣、背景氛圍和聲音節奏，輸出的音頻更接近一段完整作品。

比如，官方展示的這段救災音頻，既包含新聞記者的沉穩女聲，也包括前線救災員略帶東北口音的普通話，還有渲染緊張氛圍的背景音。

//oss.zhidx.com/uploads/2026/07/6a5ddc0926289_6a5ddc0922b83_6a5ddc0922b45_救援.m4a

▲Seed Audio 1.0生成復雜聲音場景

其次，Seed Audio 1.0還具備時間線控制能力。據官方介紹，Seed Audio 1.0能理解創作意圖，將角色、臺詞、情緒和音效按照時間線進行編排，控制不同聲音的進入時機與銜接方式，支持100ms級時間精度，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Seed Audio 1.0對一段視頻的翻配，該模型在角色進場和說話時間上都能較好卡點。

//oss.zhidx.com/uploads/2026/07/6a5ddc5f4ad00_6a5ddc5f4795c_6a5ddc5f47931_時間卡點.m4a

▲Seed Audio 1.0對視頻的翻配卡點

此外，Seed Audio 1.0還支持零樣本音頻生成。創作者既可以直接用文字描述目標聲音，也可以結合參考音頻進一步控制生成結果，就不需要為每一種聲音單獨訓練模型。

官方展示了2段音頻，一段是Seed Audio 1.0根據英文文本創作的音頻，還有一段是Seed Audio 1.0對一段播客中2名外國青年男子聲音的模仿。

//oss.zhidx.com/uploads/2026/07/6a5ddcd72a705_6a5ddcd72456f_6a5ddcd724540_文本一鍵生成音頻.m4a

▲Seed Audio 1.0根據英文文本創作音頻

//oss.zhidx.com/uploads/2026/07/6a5ddce48a9b2_6a5ddce480a1a_6a5ddce4809f0_模仿音頻.m4a

▲Seed Audio 1.0參考英文播客輸出模仿音色音頻

并且，該模型還能在同一音色的基礎上生成不同風格的音頻。比如，在官方案例中，同一音色在不同場景下能夠呈現不同表達方式：足球解說中的高亢激昂、有聲書中的平穩敘述，以及直播帶貨中的快速強調。

官方介紹，該模型還具有多語種創作的能力。在多語種生成案例中，Seed Audio 1.0能夠根據不同語言調整發音節奏、重音和情緒表達。

結語：AI音頻從“會說”走向“會創作”

從語音合成到音頻創作，AI音頻模型正在突破單一聲音生成的邊界。Seed Audio 1.0嘗試將對白、音效、環境聲和情緒表達統一到同一生成框架中，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、角色一致性和時間控制能力不斷增強，AI音頻正在從輔助工具逐漸走向內容生產環節。未來，如何讓生成聲音進一步接近真人表達，并滿足更復雜的創作需求，將成為音頻大模型持續探索的方向。