中国女篮在8月7日晚于海口进行的热身赛中以70:67险胜非洲杯冠军尼日利亚队，双方将于9日晚迎来第二场较量。两队均获得了9月在德国柏林举行的女篮世界杯的参赛资格。         在此背景下，互联网头部厂商均在押注语音赛道。2026年7月20日，字节跳动Seed团队正式发布音频创作模型Seed Audio 1.0。

B | 据字节跳动方面介绍，该模型面向完整声音场景，在统一框架下联合建模人声、音效和环境声等多种音频要素，端到端完成影视级音频创作。         也是在7月20日，阿里千问推出语音合成大模型Qwen-Audio-3.0-TTS（以下或简称阿里千问TTS）。

C |          《每日经济新闻》记者了解到，语音能力已成为大模型厂商的必争之地，一方面语音是人机交互最自然的入口，另一方面该能力也是内容生产的核心基础设施以及多模态大模型闭环中不可或缺的一环。而在此赛道，竞争的维度正在从声音质量转向体系化的作战能力。在国际排名上，中国女篮目前排在第四位，尼日利亚队则排在第八位。本场比赛，济南姑娘张子宇为中国队得到全场最高的24分和11个篮板，杨舒予得到12分、6次助攻。尼日利亚队的穆尔贾纳图·穆萨得到15分和10个篮板。         从“语音合成”到“音频创作”          《每日经济新闻》记者注意到，Seed Audio 1.0带来的最核心变化，是交付形态的改变。首节比赛，尼日利亚队迅速进入状态，多次摘得进攻篮板，中国女篮则失误频频，张子宇上场后连拿8分，帮助球队稳住局势。过去，完整音频内容的生产通常依赖多环节拼接，生成人声后再对音效和环境声另外生成，最后人工混音对齐。Seed Audio 1.0则可以直接输出一段完整可用的声音作品。

D |          技术上，字节跳动训练了一个通用声学编码器，将人声、音效、环境声视为同一声音场景的组成部分，映射到统一的声学表征中，而非作为独立任务分别编码。

E | 基于这种统一建模方式，模型能够更自然地组织角色语气、背景氛围和声音节奏，输出更接近完整的作品。         字节跳动方面表示，这也是将其定义为“音频创作模型”而非语音合成模型的原因。首节双方22:22战平。具体能力体现在三个维度：一是多要素统一编排，一条prompt（提示词）即可编排带有特定情绪的对白、关键音效和环境声，并按时间线控制进场；二是音色风格可控且长时稳定，支持文本与参考音频输入，单次可生成约两分钟音频，并可在此基础上继续延长，同时保持角色音色与表达方式一致；三是多语种零样本生成，支持20余种语种，使声音在节奏、重音、停顿与情绪等细节上贴合目标语言的表达习惯。

F | 第二节比赛，两支队伍进入状态，交替领先。         就字节跳动语音产品的演进路径看，这一步跃迁有清晰的铺垫。半场结束时，中国女篮以39:38领先尼日利亚队。2025年1月，豆包实时语音大模型上线，主打端到端语音对话；同年6月，语音播客模型发布，可将文本自动转成双人对话形式的播客；同年10月，语音合成模型2.0和声音复刻模型2.0推出，重点提升情感表达和复刻精度。         日前，在接受《每日经济新闻》记者采访时，快思慢想研究院院长、特邀评论员田丰将其形容为音频生产流水线的“合并报表”，模型把原本分属配音、作曲、拟音、混音四个工种的工作，压缩进一次模型推理。

G |          在田丰看来，这和英国人工智能公司ElevenLabs的路径有本质区别，ElevenLabs的Studio是“分别生成、手动组合”，TTS、音乐、音效是三个独立API（应用程序编程接口），用户需要在时间轴上逐轨对齐，Seed Audio 1.0试图用一次推理替代这条链路的前几个环节。

H | 技术上的核心难点，在于长时音色一致性和音色与风格的解耦控制，这两点决定了模型能否从Demo（示范）级走向生产级。下半场开始后，中国女篮率先发起攻势，但尼日利亚队始终将分差控制在10分以内。末节最后时刻，尼日利亚队将比分追至67平，随后王思雨两罚一中，张子宇篮下两分打进，中国队领先3分。比赛最后15秒，尼日利亚队最后一攻三分不中，中国女篮以70:67获得胜利。

I |          不过，田丰也提醒，成本优势仍需实测验证。中国女篮主教练宫鲁鸣在赛后新闻发布会上表示，很高兴赢下比赛，但比赛也暴露了很多问题。其表示，当前，AI配音仍集中在短视频旁白、有声书、课件等对质量容忍度较高的场景；在影视、广告等高端音频中，甲方仍优先选择真人声音。对于长篇有声书这类长音频场景，按分钟计费的成本结构能否低于传统配音叠加音乐授权、音效库的组合成本，还需要进一步验证。         语音能力已成“资格赛”门槛          2026年，从字节跳动的大模型迭代节奏来看，Seed Audio 1.0诞生背后是其越来越清晰的全模态布局轮廓。“在防守篮板和对失误的控制上我们还需要提高，我们后面会看技术分析，希望能够尽快解决，在下一场有所改变。”宫鲁鸣说。         2026年2月，字节跳动发布Seedance 2.0，同年4月开放模型API；同年6月，该模型再一次升级，Seedance 2.5面世，同时还发布了Seedream 5.0 Pro，在数月内完成全模态能力升级。与此同时，豆包大模型系列的迭代，也始终围绕推理能力和多模态理解等能力持续升级。         这种全栈布局的优势在于协同。视频生成需要配音，图文内容可以转语音，智能体需要语音交互接口。本场比赛尼日利亚队摘得27个进攻篮板，多于中国女篮的18个，此外两队均有16次失误。刚从澳大利亚联赛归队的杨舒予表示，希望可以尽快适应队伍的体系。当所有模态的模型都掌握在手中，自然会提升跨模态应用的打通效率。

J |          事实上，押注语音赛道的大厂，不止字节跳动一家。“和尼日利亚这样的队伍进行热身赛，锻炼价值特别大，她们的身体条件，包括她们抢篮板的能力都需要我们去努力应对。

K | ”本场比赛，邓雨婷完成在中国女篮的首秀。就在Seed Audio 1.0发布的同一天，即2026年7月20日，阿里千问推出Qwen-Audio-3.0-TTS，同样瞄准下一代语音合成。“邓雨婷有不错的身体条件和技术，本场比赛表现有好的地方，也有不好的地方，后续我们将进一步摸索，更好地发挥她的作用。”宫鲁鸣说。来源：新华社