标题：AI说书媲美真人！豆包语音大模型升级长上下文理解

市面上许多语音模型虽已实现自然合成，但在音质、韵律及情感表达方面仍有待提升。尤其在小说演播中，需细腻区分旁白与角色、准确传达情感及不同角色间的差异。

传统方法需预先标记对话、情感和角色，而豆包语音模型可实现端到端合成，无需额外标签。为提升小说演播效果，豆包团队改进了Seed-TTS技术。具体改进包括：

• 数据处理：按章节处理小说音频，确保长文连贯性。
• 特征融合：结合音素、音调、韵律信息与原始文本，提升发音和韵律，保留语义。
• 结构调整：将speech tokenizer改为speaker embedding，使同一发音人在不同角色间更具表现力。
• 上下文增强：加入更多上下文信息，提升模型对更大范围语义的理解能力。

经评测，优化后的豆包模型在小说演播场景下，CMOS评分已达一流主播的90%以上。该模型已应用于番茄小说，合成千部有声书，涵盖多种热门题材。未来，豆包将继续探索前沿科技，提升用户体验。