📢 转载信息
原文链接：https://www.qbitai.com/2025/10/342259.html
原文作者：量子位
AI语音的“癫感”与“呐喊”：火山引擎豆包模型实现重大突破
“发疯文学”的“疯”，终于被AI精准捕捉并呐喊出来了。
例如，当让AI用于谦+郭德纲的腔调演绎电视剧中的发疯名场面时，AI的声音展现出了前所未有的“癫感”和强烈的呐喊情绪，这在以往的AI语音中是难以实现的。
之所以能实现如此生动的表达，是因为火山引擎刚刚升级了豆包语音大模型——语音现在“学会了思考”，能更深入地理解台词，情感表达更具张力。
豆包语音新架构：从“像人”到“懂人”
此次升级主要涉及两大核心模型：豆包语音合成模型2.0 (Doubao-Seed-TTS 2.0) 和 豆包声音复刻模型2.0 (Doubao-Seed-ICL 2.0)。
制作上述郭德纲模仿片段的流程是：先利用豆包声音复刻模型2.0在几秒内复刻出郭德纲和于谦的音色；然后在豆包语音合成模型2.0中，选择对应音色，并在台词前标注所需的情绪效果。
新发布的豆包语音合成模型2.0在操作上引入了三大关键模式，以实现更精细化的控制：
- 默认模式：可以在台词前添加细节描述内容，引导情绪。
- 语音指令：可直接控制说话的情绪、方言、语气和语速等具体参数。
- 引入上文：将上下文内容引入模型，帮助AI更好地理解并演绎完整语境。
火山引擎的最终目标是让AI语音从单纯的“模仿声音”进化为“理解内容后的精准情感表达”，这意味着模型可以捕捉对话背景、用户意图乃至细微的心理活动。
实测效果：情感表达与语义理解的飞跃
1. 宫斗剧配音新体验
以经典《甄嬛传》片段为例，我们让AI模仿海清和闫妮颁奖典礼上的有趣对话，生成华妃和甄嬛的声音。通过采用“默认模式+语音指令”的方式，AI成功赋予了对话极强的“宫斗”代入感。
听完这段片段，能感受到AI对情绪的精准把握。
2. 情感指令的威力
对比加入“语音指令”前后的效果，差异显著。例如，当用单依纯的声音朗读一段充满悲伤和委屈的台词时：
在没有“语音指令”时，声音平淡无奇：
而当我们加入一句情绪指令后，单依纯的音色立刻被注入了强烈的“小品女王”式的情绪张力：
3. 上下文引用的精准停顿
在处理带有大量停顿的口语化文本时，“上下文引用”能力体现出巨大优势。对比有无指令“[#你怎么评价北京这个城市？]”的效果：
没有“上下文引用”时，停顿显得杂乱无章：
有了上下文引导后，停顿和语流变得自然、符合逻辑：
这种深度的语义理解能力，也解决了AI朗读业界难题——复杂公式的精准念读。
在现场演示中，用常见音色朗读“铜与浓硫酸反应”的化学公式，新模型在小学至高中全学科复杂公式朗读中，准确率能达到惊人的90%左右，远高于市面上普遍低于50%的准确率。
不止于语音：豆包大模型1.6及智能路由
火山引擎此次升级的重点不仅在语音，其技术底座豆包大模型1.6也迎来了重要更新，实现了国内首个原生支持分档调节思考长度的Thinking模型。
通过训练四种不同的思考模式，该模型允许用户在效果、时延和成本之间灵活权衡。例如，在低思考长度模式下，总输出tokens下降了77.5%，深度思考时间缩短了84.6%，同时效果保持不变。
此外，火山引擎还推出了轻量级的豆包大模型1.6 Lite。
智能模型路由：AI调度的“调度中心”
火山引擎在国内首次发布了智能模型路由（Smart Model Router）。该系统能根据用户任务的复杂度和类型，自动匹配最合适的模型来执行任务，避免资源浪费或效果不佳。
用户可切换“效果优先”、“成本优先”或“平衡模式”，系统会自动选取豆包系列或其他主流模型（如DeepSeek、Kimi等）中的最优解。测试显示，在成本优先模式下，综合成本最高可下降71%。
技术落地与市场影响力
火山引擎正沿着全球大模型的三大核心趋势——更强的思考理解能力、更丰富的多模态交互、更实用的Agent智能体——加速迭代。
这些能力已在生产环境中广泛应用：
- 小米小爱同学接入豆包大模型1.6后，能结合现实场景进行对话处理。
- 懂车帝利用“AI选车”功能，复杂需求搜索占比从10%大幅提升至79.4%。
- OPPO、Keep、美图、洋葱学园等企业已应用其语音技术提升用户体验。
这一切规模化落地，得益于强大的算力支撑。豆包大模型的日均tokens调用量已从1200亿增长至超过30万亿，实现了253倍的增长。
根据IDC数据，中国公有云上每两个token中就有一个由火山引擎生产，彰显了其作为AI应用坚实底座的地位。
目前，豆包语音合成模型2.0和声音复刻模型2.0已开放体验。
体验地址：
https://console.volcengine.com/speech/new/experience/clone?projectName=default
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区