AI说书媲美真人！豆包语音大模型升级长上下文理解

115 0 0

文章摘要

【关键词】 AI语音合成、小说演播、Seed-TTS、端到端模型、语音技术改进

豆包语音模型团队通过技术革新实现了AI合成语音在小说演播场景的突破性进展。基于改进的Seed-TTS框架，该系统无需人工标注标签即可端到端生成高自然度语音，在保留原始文本语义的同时，显著提升了角色区分度与情感表现力。相较于传统语音模型需要预先标注对话旁白、情感和角色的繁琐流程，新技术通过全自动处理大幅提升了效率。

该模型在原始Seed-TTS架构基础上进行了多维优化：采用章节级音频处理保障长文本连贯性，融合音素、音调、韵律等多维度特征提升发音准确性，将语音标记器改为说话人嵌入以突破参考音频的风格限制。尤为关键的是引入上下文理解机制，使模型能捕捉更大范围的语义信息，从而实现旁白与角色音色的精准匹配。专业评测显示，优化后的合成语音CMOS评分已达真人主播水平的90%以上。

技术落地方面，团队与知名演播艺术家合作开发的千部有声书已上线番茄小说平台，覆盖历史、悬疑、科幻等主流题材。通过消除传统语音合成对参考音频的依赖，同一发音人可灵活适配不同角色设定，显著提升了多角色小说的听觉体验。未来该技术将持续探索语义理解与语音合成的深度融合，致力于打造更自然流畅的智能听书解决方案。