# 豆包出了个音频生成模型，一条提示词能直接出多人对话、配乐和音效

> 原标题：豆包音频生成模型1.0发布，重新定义AI音频创作

- 来源：AI HOT 精选
- 发布时间：2026-06-23T05:41:11.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/40041
- 原文：https://mp.weixin.qq.com/s/iL0uyUjOMUEfudeuDP6wQQ

## 摘要

火山引擎发了豆包音频生成模型 1.0，用文字或一段参考音频就能端到端生成目标音频。一条提示词里可以同时安排多个角色的对白、情绪语气、背景音乐和环境音，不用后期再去多轨混音。模型一次能生成 2 分钟音频，多次延长时角色音色能保持一致，还支持零样本输入，不用额外训练就能用。它把音色和风格的控制拆开了，也能让一个声音演多个角色。

## 推荐理由

火山引擎发布豆包音频生成模型1.0，一条提示词可同时生成多角色对白、情绪语气、配乐和环境音，省去多轨混音，为音频创作提供端到端的新路径。

## 锐评

一条提示词直接出多人对白加配乐加音效，做内容工具的人会先盯上它，省掉的是后期多轨混音那一步。音频生成卡人的地方在延迟和失败率，一条两分钟音频要等多久、十次里废几次，直接决定它能不能进产品链路。摘要里这两样都没提，也没第三方评测，我暂时只当 demo 看。音色和风格拆开控制、一个声音演多个角色，这两点要是稳，做有声书和播客的会先受益。
