火山引擎发布 Doubao-Seed-Audio 1.0，把对白、配乐、音效和环境声压进一条 Prompt 一次性直出，支持多角色对白、2 分钟长程一致与参考音色续写，被称为语音模型的 Seedance 时刻。
火山引擎发布 Doubao-Seed-Audio 1.0，把对白、配乐、音效和环境声压进一条 Prompt 一次性直出，支持多角色对白、2 分钟长程一致与参考音色续写，被称为语音模型的 Seedance 时刻。
AI 不是不会用，是你不会拆。从目标到动作到判断，一篇讲透如何把脑中经验变成 AI 能执行的结构化 Skill。
做一段十几秒的有声剧，传统流程是先生成角色 A 的台词，再生成角色 B，再找 BGM，叠脚步声、风声、金属打击声，最后拖进剪辑软件一层层对齐。豆包音频生成模型 1.0（Doubao-Seed-Audio 1.0）想干掉的就是这条流水线——你把"谁在说、什么情绪、什么场景、中间该有什么声响"写进一段提示词，它直接吐出一段能交付的成片级音频。
火山引擎今天在火山方舟上开放了 Seed-Audio 1.0 的体验与 API 邀测，个人用户享有 30 分钟创作额度，后续也会接入剪映、即梦、番茄等产品。如果你做过有声小说、播客、短剧配音，这个模型最值得试的就是它不再只是"像人说话"，而是能用声音导演一段戏。
一次前向就把多角色对白、配乐、音效、环境声打包成一段成片级音频。
名字的变化藏着最大的转向。上一版还叫"豆包语音合成模型 2.0"，这次直接跳到"音频生成模型 1.0"——从"合成一句像人的话"升级成"生成一段完整的戏"。三个能力是这次的关键：
@ 可引用多段音频实现多人多音色对白、非语言表达（笑声/叹息/停顿/方言）、音乐音效全部一体化生成。
模型已上线火山方舟体验中心，入口在文末。提示词不需要写得多花哨，把四样东西说清楚就够：
访问火山方舟音频生成 1.0 体验页：
https://ark.volcengine.com/region:cn-beijing/experience/voice?model=doubao-seed-audio-1-0以一段三人古风漫剧为例，把旁白（青年男）、长老（老年男）、少年三个角色的台词、语气，连同古筝、大鼓、灵剑出鞘、人群哄笑等声效直接写进同一条 Prompt。模型会按角色分音色输出，背景声与人声统一在一个场景里，不会出现"两个人不在同一空间"的割裂感。
💡 提示：想让对话像在同一个空间里发生，关键是把环境描述写进 Prompt，而不是只写台词。比如"长老公堂问话，少年殿前怒斥，背景有钟鸣和远处的脚步摩擦"。
艾莎放大招那段特效音的提示词只写了一句"能量骤然爆发的轰的闷响 + 冰晶炸开坠地的清脆碎裂声"。
文本输入框里用 @ 引用一段已有音频，可以锁定音色继续往后生成。实测里那个出圈的设计师独白（语音合成 2.0 生成），就是被当作参考音频扔进去，让 1.0 续上了后续 1 分钟的剧情——甲方老板被吵醒的睡意、电话挂断后的三秒死寂、忙音都一次生成。
可以 @ 多段音频，实现多人多音色对话。
单次输出 2 分钟。如果第一版人物状态对了，把这 2 分钟当参考继续延，可以做出几十分钟的有声书或播客，音色、语气、环境保持一致——这是过去最难手工修音的环节。
延长模式下，前后几十分钟的角色声音由模型一次性交付，不需要逐段比对反复修音。
实测覆盖了三种典型场景，效果差别明显：
另外测了纯安静的 case——李白《将进酒》。长程延长一致性在这里最明显：很多模型读长句会"漂"，前后声音不像同一个人；1.0 单次 2 分钟内音色、情绪起伏保持稳定。
💡 提示：参考音频生成是这次最实用、也最容易被忽略的能力。你已经手头有的、用旧版语音合成产出的优质音色片段，不必重做——上传当参考，让 1.0 续写新剧情即可。
体验入口：火山方舟音频生成 1.0 体验中心（点击原文直达）。API 已开放邀测，面向音频创作者即将上线剪映、即梦、番茄。