字节的音频生成模型，才是今天的王炸。

字节的多模态模型，这水准真的没得说。

早上，我体验了一下他们新发的豆包音频生成模型，Seed-Audio 1.0。

这里面的声音表现、情绪起伏和声场氛围，全部都是一个 Prompt 直接生成的，我没有做任何后期处理。

而且 Prompt 非常简单，不需要任何专业词汇。

之前的 TTS 模型更多是在做语音合成的事情，要么克隆一个已有的声音，要么通过提示词描述一种声音，最后生成一段基于这个声音的音频。

但字节的 Seed-Audio 1.0 这个新模型，它完全是在做纯粹的语音生成，模型会思考音频本身处在什么环境中，又带着什么情绪，然后再把这一切转化为声音。http://t.cn/AXScYSqs