大家好，我是橘子。今天我體驗到一個全新的聲音模型，跟以前所有的聲音模型都不一樣。
「等了這麼久，終於來了。」
這是我測試的時候，內心的真實想法。
以前的聲音模型一般叫 TTS（文本轉語音），它們只能根據你給的文本來合成語音，它更像是一個朗讀機器，而非智能聲音模型。
但這個新模型，可以根據你的想象，生成一切你所需要的聲音，包括人聲、音樂、音效、環境音，以及這些聲音裏所富含的那些不可言說的微妙細節。
它的名字名字叫：豆包音頻生成模型 Seed Audio 1.0。
在我看來，這就是聲音模型的 Seedance 時刻。
就像香蕉是人類第一次將智能賦予圖像，Seed Audio 是人類第一次將智能賦予聲音。
接下來，就讓我們一起聽聽它到底有何特別。
首先是這篇文章的開場白，這個音色是參考我的某次播客錄製生成的。
大家可以記一下我的音色，因爲這個模型很強的一點就是它的聲音參考功能，除了做文章配音，還能用我的音色去演繹各類場景。
比如這個冥想的引導，你可以聽到我的聲音從頭到尾越來越慢，越來越輕。還配上了輕柔的音樂。
再比如這個脫口秀，完全就是我說話的樣子，真實得無法想象，模型還配上了現場的笑聲作爲環境音。
這是聲音模型第一次可以把同一個音色泛化到各種不同的場景，它的想象空間非常大。
這個聲音參考，不僅是能支持音色的參考，還支持環境氛圍音、音樂作爲參考，畢竟很多聲音是很抽象的，很難用語言描述，聲音參考的意義就像視頻模型裏的圖像參考。聽說這個模型甚至也支持圖像參考，只是目前還沒上線。
我測試了這個模型在不同場景下的表現。
我特別喜歡這個鬼故事場景。你可以聽一下，是不是那個感覺。
模型還具備一定的唱歌能力，我讓它清唱一下，讓朋友們去聽，大家都覺得非常真實，甚至那種跑調都很真實。
模型不僅支持單人說話，還支持多人複雜場景的表演，比如短劇配音或者廣播劇場景，可以聽一下這個場景的表演，畫面感是不是一下就出來了。
除了多人場景演繹，模型也支持複雜的環境音生成，這是一個人從甲板上走到船艙裏，點了一杯威士忌的場景。
聽到這裏，現在你應該明白爲什麼我說這是聲音模型的 Seedance 時刻了，有了這樣的模型，你真的可以自由創作一切聲音內容。（當然是在不侵權的前提之下）
這個模型單次可以生成長達 2 分鐘的音頻，還能以此爲參考繼續延長，保持音色和風格的一致性，最長能延續到幾十分鐘。
有了這個模型，我們終於可以創造屬於自己的 AI 聲音夥伴了。比如一個跟你聊天、給你講故事、給你唱歌、逗你開心的 Cola，可以挑一個你最喜歡的音色作爲參考。
不過 Seed Audio 作爲一個版本號 1.0 的新模型，還有很多不完美的地方。現在同一個參考聲音在不同場景下的泛化性還有提升空間，比如我講冥想那段可以更慢一點，比如在唱歌的時候跑調有點嚴重，比如有時候人聲說話依然帶有電音感。
期待在未來的升級中 這些問題都 能被解決。
我們去年做 ListenHub 的時候，最想要的就是這樣一個模型，可以把用聲音智能創造有趣且有用的內容。
等了這麼久，終於來了。
接下來我們會把 Seed Audio 接入 ListenHub ，到時候大家在製作音頻內容的時候，一定會有全新的體驗。