7月20日消息，字节跳动Seed正式推出音频创作模型Seed Audio 1.0。该模型面向全场景音频需求，在统一框架内对人声、音效、环境声等多种音频元素联合建模，可端到端实现影视级音频创作。
官方表示，声音不再局限于作为画面的辅助内容，还能够直接参与叙事，在听众脑海中构建画面，实现“听见”即“看见”的效果，模型核心
能力如下：
多要素统一编排，支持精细时间调控：依靠一条提示词就能统筹生成带情绪的对白、音效与环境声，并且能够沿着时间轴精准把控各类声音的出现时机。
音色风格可控，长时间生成保持稳定：支持文本输入与参考音频导入，在长音频以及多次续生成场景维持角色音色统一，同一个音色也可演绎不同语气情绪。
多语种自然生成：兼容20余种语种制作音频，同一角色语音能够贴合不同语种特点，呈现自然的发音、节奏与表达方式。
据介绍，在文本生成音色相关测试中，SeedAudio1.0在AB主观评测里优势突出，音频可用率与优良率均有明显提升。
官方针对影视、短剧、动漫、播客对话、直播带货、网络创作、话剧、电视节目、语音合成等众多场景开展音频生成能力测试。测试结果表明，该模型在大部分场景下生成音频的可用率超过90%。
在多语言音频生成表现方面，音频自然度上，绝大多数语种MOS得分超过4分，音质表现优秀；复杂音频生成的指令遵从能力中，除越南语以外，其余语种MOS分数均高于3.5分，足以证明Seed Audio 1.0拥有出色的多语言指令理解能力。
