声音如真人！豆包AI大模型优化小说演播，媲美大咖音色

声音如真人！豆包AI大模型颠覆传统朗读，开启智能化小说演播新时代

　　 近日，字节跳动的豆包语音大模型在小说演播领域取得了显著进展，无需对话旁白、情感、角色等额外标签，也能实现高表现力、高自然度、高语义理解的小说演播效果，其声音合成质量几乎可以与真人媲美。据了解，当前市面上的语音模型要想达到一流主播的细腻演播效果，通常需要对旁白和角色进行细致区分，同时还要准确表达角色的情感，并且保证不同角色之间的差异性。传统的小说文本转语音（TTS）合成链路需要提前为内容添加标签，以确保最终效果的自然度。而豆包语音大模型基于Seed-TTS架构进行了优化，能够直接生成带有韵律和情感细节的声音，这一进步无疑为未来语音技术的应用开辟了新的可能性。 这种技术的进步不仅体现了人工智能在模拟人类声音和情感方面的巨大潜力，也预示着未来可能会彻底改变我们获取信息和娱乐的方式。豆包语音大模型的出现，意味着用户今后或许可以通过更加自然流畅的方式享受高质量的小说演播体验，这对于提升用户体验和扩大相关应用场景都有着重要意义。

　　 图：传统语音模型与豆包语音大模型在合成链路上存在显著差异。字节跳动于2024年6月发布了Seed-TTS，作为一款语音生成基座模型。为了增强语音的表现力和长文本的理解能力，豆包语音大模型团队在Seed-TTS的基础上对数据、特征和上下文等方面进行了改进。例如，在数据处理方面，音频被按章节进行处理，确保长篇文章中的语音连贯性和一致性；在语音韵律和准确性方面，融合了原始文本和前端信息，使语气词、副语言、强调和弱读等内容更加自然流畅；此外，通过增加上下文理解能力，模型可以更好地感知更大的语义信息，从而让旁白和角色音表现得更为精准。优化后的豆包语音模型不仅能呈现更多样化的情感，还能在人物不同情绪间自然过渡，并且支持连续多轮对话，确保角色之间的区分清晰。豆包语音模型团队以知名演播员王明军和李满超的声音为原型，利用新技术合成的有声书已在番茄小说上线，并受到了广大用户的热烈欢迎。