バイトダンスのAI研究組織ByteDance Seedは2026年7月20日、音声生成モデル「Seed Audio 1.0」を公開した。セリフ、効果音、環境音といったシーン単位の音声要素を、単一のフレームワーク上でまとめて生成できる。
従来の音声合成が発話の再現に主眼を置いていたのに対し、同モデルは対話、音の合図、背景の音響が噛み合った状態で生成することを狙う。話者の同一性、感情のトーン、セリフの間の取り方、周囲の環境、効果音の配置までを文脈として解釈するという。
対応言語は中国語、英語、日本語、韓国語、スペイン語、インドネシア語、ドイツ語、フランス語、タイ語、ベトナム語など20言語以上に及ぶ。言語ごとのリズムや発音の違いに適応しつつ、同一の声質を保つ。
制御機能としては、プロンプト単位でのキャラクター発話のタイミング指定に対応し、精度は100ミリ秒刻みとなる。声はテキストによる記述、または許諾を得た参照音声から生成できる。
技術面では、創作上の構成を担う言語モデルと、拡散モデルによる音響生成器を組み合わせる構成を採る。提供はBytePlus経由で、同社コンソールから利用できる。
https://seed.bytedance.com/en/seedaudio1_0
