火山引擎发布豆包音频生成模型1.0 开启一站式音频创作新范式

AI创作导航管理员 LV5 大神连续登录30天萌新

3 个月前

风向

121

2026年6月23日，字节跳动旗下云服务品牌火山引擎正式发布豆包音频生成模型1.0，依托多模态参考生成、长时音色一致性两大核心技术，可实现对白、音效、配乐的一站式成片输出，生产效率较传统流程提升超10倍，解决长音频创作中角色音色漂移的行业共性痛点。

如果你是一名有声书创作者，过去制作一集30分钟的付费有声内容，至少需要经历配音录制、音效剪辑、配乐匹配、多轨混音4个核心环节，全程耗时超过8小时，一旦中间出现角色音色偏差，还要推倒重来——而这样的生产流程，很快将被AI工具彻底重构。

据公开行业数据，2025年国内在线音频市场规模已突破800亿元，长有声内容、短音频贴片、游戏配音等细分需求同比增速均超过40%，但传统音频生产的人力成本高、周期长、品控不稳定等问题，已经成为限制行业供给的核心瓶颈。
尤其是长音频创作中，同一个角色跨集音色漂移、多素材拼接违和的问题，始终是困扰专业创作者的核心痛点，多数团队不得不安排专人负责音色品控，进一步推高了生产成本。

豆包音频生成模型1.0的核心竞争力，来自两项针对性的技术突破。其一是多模态参考生成能力：用户不需要分别提交对白、音效、配乐的生成需求，只要在prompt里清晰标注角色台词、情绪要求、环境背景、配乐风格等信息，模型就能一次性输出符合要求的完整成片，省去了多素材对齐、混音的繁琐环节。
其二是长时音色一致性能力：针对1小时以上的长音频创作场景，模型可以在多次分段生成的过程中，始终保持指定角色的音色、语气特征稳定，彻底解决了过去AI生成音频“前后两张嘴”的串音问题，完全满足专业内容的品控要求。据测试，使用该模型生成一段10分钟的专业级有声书片段，仅需要3分钟左右的时间，品控合格率达到92%以上。

该模型的落地，也将进一步拉低专业音频创作的门槛。除了专业的有声书、播客制作团队，普通短视频创作者、个人播客主，甚至是中小游戏团队、影视初创团队，都可以通过该工具快速产出符合商用标准的音频内容，省去了招募专业音频团队的高额成本。
未来，随着AI音频生成技术的持续迭代，重复性的后期剪辑、混音工作将逐步被技术替代，音频创作者的核心竞争力将进一步向内容创意、叙事设计、情绪表达等方向转移，整个音频内容行业的供给规模也有望迎来新一轮爆发。

火山引擎多模态AI 生成式AI AI音频生成豆包音频生成模型

本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。