圖：傳統(tǒng)語音模型和豆包語音模型合成鏈路的區(qū)別

Seed-TTS是字節(jié)跳動于2024年6月發(fā)布的語音生成基座模型。為提升語音表現(xiàn)力和長文本的理解能力，豆包語音模型團(tuán)隊(duì)在Seed-TTS的數(shù)據(jù)、特征、上下文等結(jié)構(gòu)上做了改進(jìn)。比如數(shù)據(jù)上，音頻做章節(jié)級別處理，保證了長文下的語音一致性和連貫性；語音韻律和準(zhǔn)確性上，融合原始文本和前端信息，保證語氣詞、副語言、強(qiáng)調(diào)、弱讀等內(nèi)容自然流暢；額外加入的上下文理解能力，使得模型能夠感知更大范圍的語義信息，旁白和角色音表現(xiàn)更精準(zhǔn)到位。

優(yōu)化后的豆包語音模型，能端到端演繹更多元的情感，在人物不同情緒上表現(xiàn)自然，而且可實(shí)現(xiàn)連續(xù)多輪對話，保證角色區(qū)分鮮明。

豆包語音模型團(tuán)隊(duì)以王明軍、李滿超兩位配音圈大咖的聲音為基礎(chǔ)，采用新技術(shù)合成的有聲書，已上線番茄小說，受到用戶的廣泛歡迎。（作者：梁蕓）

崔歡歡