多数场景可用率到了 90%，对照模型的分数没写出来：Seed Audio 1.0 的主观评测

多数场景可用率到了 90%，对照模型的分数没写出来：Seed Audio 1.0 的主观评测

字节跳动 Seed 团队在 2026 年 7 月 20 日发布了音频创作模型 Seed Audio 1.0。它把人声、音效和环境声放在同一个框架里生成，而不是先分别生成再人工拼接。评测写在文末，分三块。图上的对照分数没有进正文。

生成之前先定三条门槛

完整声音场景要过三关。不同声音要的细节不一样：语音看清晰度和韵律，环境声要空间氛围稳定。一段音频里，要素之间有时间、情绪和声学上的互相影响，模型要理解的是整段场景，不是单条素材。控制条件也不只一种：文本、参考音频、时间轴和角色设定都要服从。

他们训练了一个通用声学编码器，把各类声音映射到同一套声学表征，而不是按任务分开编码。生成时先把意图拆成结构化时间线，标出角色、台词、情绪和音效什么时候进来。当前时间控制的间隔精度是 100 毫秒。这是控制粒度，不是评测得分。

零样本生成可以用文字描述目标声音，也可以加参考音频，不用为每种声音单独训模型。长音频当前单次大约 2 分钟，可以在此基础上延长，并保持角色音色。同一音色还要能换成不同情绪，原文称为「单音色、多角色」。语种覆盖 20 个以上，正文点名的有中文、英文、日语、韩语、西班牙语、印尼语、德语、法语、泰语、越南语。

三块评测，只有两块给了门槛数字

评测从文本生成音色、多场景创作、多语种生成三边做。

文本生成音色用 AB 主观评测。原文只写 Seed Audio 1.0 有显著优势，可用率和优良率也明显提升。没有写出对照模型的名字、听音人数、样本条数，也没有写出优势是几个点。这些数在配图里，正文没有。

多场景评了影视、电视节目、短剧、动漫、播客对话、直播带货、网络创作、话剧和语音合成。多数场景的音频可用率达到 90% 以上。原文没有逐场景列出哪几个没到 90%，也没有定义「可用」的评分规则。

多语种用人工评测，看指令遵循和音频自然度。自然度上，大部分语言的 MOS 超过 4 分。复杂音频的指令遵循，除越南语外，其余语言的 MOS 都高于 3.5 分。越南语被单独拿出来说没有过 3.5，但没有给出它的实际分数。同样没有听音人数。

还没做的不要写成已经测过

文末的计划是：支持视频参考等更多模态，做长音频和分轨，以及把可控翻译接进来，让多语种同时受内容和时长约束。这些是下一步，不是这次评测的结果。体验中心上线也不是分数。

读的时候只保留原文给得出的边界：100 毫秒是时间控制精度，约 2 分钟是单次生成长度；90% 以上是「多数场景」的可用率，不是九个场景全部；MOS 超过 4 和高于 3.5 没有样本量和听音人数；AB 优势没有公开对照模型和差值；越南语是指令遵循没过 3.5 的例外，自然度是否过 4 没有单独写。

出处：字节，字节跳动 Seed 团队，从“会说”走向“会创作”｜ Seed Audio 1.0 音频创作模型发布，2026-07-20，https://seed.bytedance.com/blog/from-speech-to-audio-creation-introducing-the-seed-audio-1-0-audio-creation-model