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prom...
滇公网安备 53252802528133号