大家好，我是橘子。今天我体验到一个全新的声音模型，跟以前所有的声音模型都不一样。
「等了这么久，终于来了。」
这是我测试的时候，内心的真实想法。
以前的声音模型一般叫 TTS（文本转语音），它们只能根据你给的文本来合成语音，它更像是一个朗读机器，而非智能声音模型。
但这个新模型，可以根据你的想象，生成一切你所需要的声音，包括人声、音乐、音效、环境音，以及这些声音里所富含的那些不可言说的微妙细节。
它的名字名字叫：豆包音频生成模型 Seed Audio 1.0。
在我看来，这就是声音模型的 Seedance 时刻。
就像香蕉是人类第一次将智能赋予图像，Seed Audio 是人类第一次将智能赋予声音。
接下来，就让我们一起听听它到底有何特别。
首先是这篇文章的开场白，这个音色是参考我的某次播客录制生成的。
大家可以记一下我的音色，因为这个模型很强的一点就是它的声音参考功能，除了做文章配音，还能用我的音色去演绎各类场景。
比如这个冥想的引导，你可以听到我的声音从头到尾越来越慢，越来越轻。还配上了轻柔的音乐。
再比如这个脱口秀，完全就是我说话的样子，真实得无法想象，模型还配上了现场的笑声作为环境音。
这是声音模型第一次可以把同一个音色泛化到各种不同的场景，它的想象空间非常大。
这个声音参考，不仅是能支持音色的参考，还支持环境氛围音、音乐作为参考，毕竟很多声音是很抽象的，很难用语言描述，声音参考的意义就像视频模型里的图像参考。听说这个模型甚至也支持图像参考，只是目前还没上线。
我测试了这个模型在不同场景下的表现。
我特别喜欢这个鬼故事场景。你可以听一下，是不是那个感觉。
模型还具备一定的唱歌能力，我让它清唱一下，让朋友们去听，大家都觉得非常真实，甚至那种跑调都很真实。
模型不仅支持单人说话，还支持多人复杂场景的表演，比如短剧配音或者广播剧场景，可以听一下这个场景的表演，画面感是不是一下就出来了。
除了多人场景演绎，模型也支持复杂的环境音生成，这是一个人从甲板上走到船舱里，点了一杯威士忌的场景。
听到这里，现在你应该明白为什么我说这是声音模型的 Seedance 时刻了，有了这样的模型，你真的可以自由创作一切声音内容。（当然是在不侵权的前提之下）
这个模型单次可以生成长达 2 分钟的音频，还能以此为参考继续延长，保持音色和风格的一致性，最长能延续到几十分钟。
有了这个模型，我们终于可以创造属于自己的 AI 声音伙伴了。比如一个跟你聊天、给你讲故事、给你唱歌、逗你开心的 Cola，可以挑一个你最喜欢的音色作为参考。
不过 Seed Audio 作为一个版本号 1.0 的新模型，还有很多不完美的地方。现在同一个参考声音在不同场景下的泛化性还有提升空间，比如我讲冥想那段可以更慢一点，比如在唱歌的时候跑调有点严重，比如有时候人声说话依然带有电音感。
期待在未来的升级中这些问题都能被解决。
我们去年做 ListenHub 的时候，最想要的就是这样一个模型，可以把用声音智能创造有趣且有用的内容。
等了这么久，终于来了。
接下来我们会把 Seed Audio 接入 ListenHub ，到时候大家在制作音频内容的时候，一定会有全新的体验。
热门跟贴