在人工智能赋能内容创作的赛道上，火山引擎近日交出了一份重量级答卷。6月23日，豆包音频生成模型1.0正式发布，凭借“多模态参考生成”与“长时音色一致性”两大核心技术，彻底打破了传统音频制作繁琐的后期工作流。
过去，制作一段达到成片水准的音频，创作者往往需要分别生成对白、音效和配乐，再通过复杂的手动对齐与混音来实现，极其考验后期功底。而豆包音频生成模型1.0带来的变革在于，它将这一过程高度浓缩——用户只需输入一条包含角色台词、情绪语气、背景音乐乃至环境氛围的 Prompt，模型即可直接产出具备叙事张力的完整音频成片。
针对长音频创作中常见的“角色串戏”痛点，该模型实现了文生音频与参考音频的深度联动。无论是创作长篇有声书还是复杂播客，模型都能在多次音频延长中，稳定保持角色的声音特性。这种一次性交付前后一致音色的能力，极大地满足了专业创作者对长程生成场景的严苛需求。
此外，该模型还具备强大的“0样本多模态音频创造”能力。通过支持文本描述或参考音频输入，创作者无需额外训练即可得到高质量的目标音频。模型在音色与风格的控制上实现了深度解耦，支持“一声多角”的演绎，让同一个声音在不同情绪和场景下展现出极高的表现力，显著降低了专业音频制作的门槛。
目前，火山方舟已开启该模型的 API 邀测，个人用户可直接获取30分钟的创作额度。随着该技术即将上线剪映、即梦及番茄等平台，音频创作正从繁琐的“剪辑拼接”向高效的“创意导演”演进。这一模型不仅是技术的突破，更标志着 AI 正在成为内容创作者手中最有力的“全能助手”。
OpenAI在ChatGPT中测试新型语音模型Bidi 1，用户已在网页及App端发现。它打破传统线性问答模式，支持实时打断与插话，实现更自然流畅的双向对话，预示语音交互的“降维打击”式进化，公司正筹备更大规模测试。
美国测试显示，Anthropic公司的AI模型Mythos在数小时内检出政府高机密系统多处漏洞，效率远超传统人工。参议员沃纳在听证会上引述国安局上将拉德的说法，证实该工具仅数小时便完成漏洞定位，凸显AI在网络安全领域的潜力。
美国AI公司Legion因政府禁令起诉联邦政府。由于Anthropic依出口管制规定禁止向外国公民提供最先进AI模型，导致Legion加拿大籍开发团队失去核心工具，公司称面临生存危机，已在华盛顿联邦法院提起诉讼。
AI编程工具Cursor将推出首个完全自主训练的AI基础模型，同步发布Git平台Origin与iOS测试版移动应用。此举标志着Cursor从单一代码编辑器升级为面向人类和AI智能体的综合性开发者生态平台。
火山引擎发布豆包音频生成模型1.0，支持文本或音频输入，端到端生成完整音频作品。核心突破是单条Prompt即可同步生成对白、音效和背景音乐，无需传统多轨剪辑。该技术大幅简化音频制作流程，让用户像“音频导演”一样高效产出成片级音频，彻底告别手动对齐混音的复杂后期工作。
关注 “悠AI” 更多干货技巧行业动态
相关文章
