字节跳动于7月20日正式发布音频创作模型Seed Audio 1.0，该模型的核心能力在于通过一段提示词即可生成包含对白、音效和环境声的完整声音场景，无需拼接多个模块。据官方介绍，Seed Audio 1.0支持多音频要素协同生成、音色风格控制以及多语种自然表达，并能在长音频中保持角色一致性。
在智东西的实际体验中，Seed Audio 1.0展现了较强的场景理解与声音编排能力。例如，输入一段描述加油站悬疑场景的提示词，模型生成了包含荧光灯嗡鸣、冰柜压缩机低响、货车驶过等环境音，以及两名男子紧张与散漫的对话，整体氛围营造到位。在古风武侠场景测试中，模型不仅还原了密林风声、狼嚎、箭矢穿透等音效，还保持了角色苏晚和沈砚在音色与情绪上的一致性，未出现角色漂移。
声音模仿是Seed Audio 1.0的另一亮点。在测试中，模型无需额外训练，仅凭一段新闻联播女声参考音频，就能用该音色生成《甄嬛传》中甄嬛的台词，声音辨识度较高。此外，模型还支持多语种生成，在粤语茶餐厅对话测试中，它还原了瓷碗碰撞、风扇转动等背景音效，对话语气和节奏把握较好，但初始部分仍有一定AI感。
官方评测数据显示，Seed Audio 1.0在盲测主观偏好CMOS打分中，相较头部商用音频服务最高提升0.79，用户更偏好其生成音频。在电影、短剧、播客、动画等十余类场景测试中，模型生成的整体音频可用率达91%。多语种能力方面，模型支持20余种语言生成，绝大多数语种人声自然度MOS平均分超4分（≥4分为优质标准）。
Seed Audio 1.0还具备时间线控制能力，支持100ms级时间精度，能将角色、台词、情绪和音效按时间线编排，适用于影视翻配等场景。同时，模型支持零样本音频生成，创作者既可用文字描述目标声音，也可结合参考音频控制生成结果，无需为每种声音单独训练模型。例如，同一音色在不同场景下可呈现足球解说的高亢激昂、有声书的平稳叙述或直播带货的快速强调。
从行业视角看，Seed Audio 1.0的发布标志着AI音频从单一语音合成向复杂场景创作的跨越。过去，AI音频模型多聚焦于文本转语音或简单音效生成，而Seed Audio 1.0尝试将对白、音效、环境声和情绪表达统一到同一生成框架中，使AI能够理解完整声音场景。随着模型对声音结构、角色一致性和时间控制能力的增强，AI音频正从辅助工具走向内容生产环节。未来，如何让生成声音进一步接近真人表达，并满足更复杂的创作需求，将是音频大模型持续探索的方向。