本文为您介绍火山引擎智能豆包语音的产品体系、核心能力与典型应用场景，并提供各产品的能力预览 Demo，帮助您快速了解并选择最适合业务需求的语音产品。 ## 语音合成 **基本介绍** > 模型适用参数、支持的语种可参考[模型列表](https://www.volcengine.com/docs/6561/2499930?lang=zh)文档基于新一代语音大模型，可根据上下文自动理解文本的情绪与语调，合成富有表现力的音频，支持中、英、日、西等多语种及多种方言口音

核心优势

情感自然演绎：根据上下文智能预测文本情绪与语调，实现自然情感表达

高自然度：在口语自然度、连贯性、拟人度、音质、韵律、气口、情感、语气词表达等各方面，可以带来更生动、更具情感表现力的听觉体验；

多风格：提供 130+ 款超自然音色，涵盖趣味口音、角色扮演、客服等多种风格

**应用场景** * **聊天陪伴: ** 适用于 AI 助手、情感陪聊等场景，提供拟真人的交互体验 * **有声阅读: ** 支持笑声、哭腔等副语言表达，让有声书与小说演绎更加真实生动 * **音视频配音:** 覆盖短视频剪辑、广告营销、新闻播报、电商带货等内容创作场景 * **数字人播报:** 与虚拟形象配合，实现自然的口型驱动与情感同步 * **在线教育: ** 可复刻教师音色，标准化讲解内容，减轻重复授课负担。 * **智能客服与外呼: ** 以接近真人客服的自然播报，服务于咨询应答、回访关怀等场景。 **能力预览** > 立即体验：前往[体验中心](https://console.volcengine.com/speech/new/experience/tts?projectName=default)，即刻开始语音合成，体验豆包语音合成能力 |**应用场景** |**speaker_id** |**文案** |**demo** | |---|---|---|---| |**AI对话助手** |

少年梓辛2.0

zh_male_shaonianzixin_uranus_bigtts

温婉珊珊2.0

爽快思思2.0

zh_female_shuangkuaisisi_uranus_bigtts

温暖阿虎/Alvin 2.0

zh_male_wennuanahu_uranus_bigtts

|So what do you wanna talk about? Sports, music, or maybe that movie you watched last weekend? I'm all ears |

zh_male_wennuanahu_uranus_bigtts.mp3

| |**角色演绎** |

调皮公主

saturn_zh_female_tiaopigongzhu_tob

悠悠君子2.0

zh_male_youyoujunzi_uranus_bigtts

|春日的午后，翻开一卷旧书，茶香袅袅，光阴静好。文字与心意之间，自有山川湖海。 |

zh_male_youyoujunzi_uranus_bigtts.mp3

| ## 声音复刻 **基本介绍** > 模型适用参数、支持的语种可参考[模型列表](https://www.volcengine.com/docs/6561/2499930?lang=zh)文档大模型声音复刻提供轻量级的音色定制能力。在普通环境下录制最短5s音频，即可快速生成与本人音色、说话风格、口音相一致的专属音色，并保留原始录音的声学环境特征，用于后续的语音合成

核心优势

快速复刻：最短录制5s音频即可启动复刻，音频上传后，秒级完成复刻，几乎无等待时延，可立即调用合成试听

高度还原：精准还原说话人的音色、说话风格、口音及声学环境

低成本调优：如果复刻效果不满意，可更换音频重新训练，每个音色最多支持 10 次训练

跨语种迁移：支持合成跨语种语音，支持中文、英文、日语、西班牙语（墨西哥口音）、葡萄牙语（巴西口音）、印尼语，让声音轻松 "说外语"

**应用场景** * **视频配音**：复刻 IP、搞怪等特色声音，丰富创作形式，提升内容生产效率。 * **数字人驱动**：与数字人形象定制结合，实现 "形象 + 声音" 一体化的个性化形象方案。 * **语音助手**：定制具有品牌或情感属性的交互音色（如家人、朋友的声音），可用于手机助手、导航播报、游戏语音等场景，带来更具特色的交互体验。 * **在线教育**：复刻教师音色，替代重复性、标准化的讲解工作，提高授课效率，同时缓解长时间授课带来的咽喉负担。 * **有声书**：以家人或朋友的声音陪伴用户阅读，打造温暖、亲切且高度定制化的听书体验。 **能力预览** > 立即体验：前往[体验中心](https://console.volcengine.com/speech/new/experience/clone?projectName=default)，即刻开始录制或上传音频，体验豆包声音复刻能力 |

原音频

复刻效果

| |---|---|---| |

中文\-素人

|

中文-素人.wav

|

中文-素人-合成.wav

| |

中文\-少女音

|

中文-少女音.wav

|

中文-少女音-合成.wav

| |

中文\-ip

|

中文ip-原音.wav

|

中文ip-合成.wav

| |

英文\-ip

|

英文ip-原音.wav

|

英文ip-合成.wav

| |

英文\-素人

|

英文-素人.wav

|

英文-素人-合成.wav

|

注意

新版本随机性：受模型自身特性影响，对于表现力强、韵律起伏明显的音色，同一句文本多次合成可能呈现不同的效果，您可根据场景需要灵活运用

实践建议：为获得最佳复刻效果，建议使用 10–15 秒、低噪声、情感平稳的音频作为Prompt，更多细节请参考声音复刻ICL\-最佳实践

## 语音识别 **基本介绍** 语音识别（ASR）是一项将音频中的人声内容自动转写为文字的能力，广泛应用于会议记录、字幕生成、语音交互、内容质检等场景。通用语音识别在高品质语音输入下通常能达到较高的转写准确率，但在实际场景中，受环境、语境及垂直领域复杂性的影响，仍存在以下难点： * **噪声环境下识别性能显著下降** * **同音字词难以准确区分** * **专有名词识别能力有限**，如地名、行业术语等 * **上下文一致性难以保证，** 如人名、"他 / 她 / 它" 等代词的连贯指代基于此，火山引擎语音识别大模型全新升级，可在嘈杂、专业、多轮对话等复杂场景下稳定输出准确、连贯的转写结果，目前大模型语音识别提供两种识别模式： 1. [大模型流式语音识别](https://www.volcengine.com/docs/6561/1354869?lang=zh) * **双向流式模式**：支持长音频实时转写，实现边说边出字的效果，适用于实时会议字幕、直播字幕、智能外呼等场景 * **流式输入模式**：以流式方式接收音频输入，按句返回识别结果，适用于智能体对话、IM 语音消息转写、语音输入法等场景 2. [大模型录音文件识别](https://www.volcengine.com/docs/6561/1354868?lang=zh)：支持时长不超过 4 小时的音频文件转写，内置自动标点、语义顺滑、数字规整、智能分句等功能，可按需组合启用。适用于会议纪要整理、智能外呼质检、课后教辅与学情分析等非实时场景

核心优势

超高准确率：与业界主流语音识别大模型相比，转写错误率更低，在多类公开测试集与真实业务场景中均表现稳定

上下文感知：模型可结合历史对话、视频编辑记录、会议参与信息等多维上下文进行推理，在长对话、多轮交互等场景下，输出结果更准确、更连贯

多方言识别：支持识别普通话与多种方言，包括上海话、闽南语，四川、陕西、粤语等国内主流方言

**应用场景** * **语音交互：** 实时将语音转写为文字，作为设备、硬件或应用的输入信号，提升人机交互的便捷性与响应速度 * **内容审核与质检：** 将通话或音频内容转写为文本，结合质检规则进行违规识别与处置；也可基于文本开展数据分析，挖掘潜在的业务机会 * **会议与访谈转写：** 支持会议、访谈音频的实时或异步转写，自动切分有效语音段并按句分段，显著提升会议记录与内容整理效率 * **游戏语音与输入法：** 在游戏内语音、手机输入法等场景下提供 "边说边出字" 的实时体验，降低文字输入成本，提高沟通效率 * **音视频字幕生成：** 自动将音视频中的语音和歌词识别为文本，一键生成对应字幕，适用于视频剪辑、视频观看、视频会议等多种场景 **能力预览** > 立即体验：前往[体验中心](https://console.volcengine.com/speech/new/experience/asr?projectName=default)，即刻开始录制或上传音频，体验豆包语音识别能力 |**场景** |

人名、上下文推理

专业名词、上下文推理

多方言混合识别

| |---|---|---|---| |DEMO

|

| ## 实时语音 **基本介绍** 豆包端到端实时语音大模型是一款超拟人、低时延的实时语音交互模型，基于 Speech2Speech 端到端框架将语音与文本模态深度融合，可在语音对话中提供接近真人的表达效果与流畅的交互节奏。 **模型优势** 相较于传统对话链路，端到端实时语音模型在架构、对话效果、指令控制与时延等方面均有显著优势 |**对比纬度** |**豆包实时语音模型** |**传统级联对话链路** | |---|---|---| |**模型架构** |采用 Speech2Speech 端到端框架，原生融合语音与文本模态，统一完成语音理解与生成

|ASR → LLM → TTS 三段式串联，即语音先写转文本，将转写的文本送入LLM生成对话回复，再由文本生成语音 | |**对话自然度**

|1. 更接近真人在语音聊天中的对话口语习惯和语音表现力

2. 情感理解能力更强，对情感的适时表达有模型自己的理解

3. 模型会根据对语义的理解进行声音的氛围渲染和声线切换

4. 对话节奏丝滑，支持更自然的打断 |* 对用户的情绪以及副语言信息的理解有限

* 语音表现力与情感上限较低 | |**指令遵循** |支持通过自然语言对情绪、语速、音量、声线、风格等进行精细控制，且具有涌现能力 |较难实现用户的深度声音控制和演绎指令

| |**响应时延** |超低时延，接近真人对话节奏 |无法实现超低延迟，一般对话时延2秒以上 | |**扩展能力** |支持唱歌、方言、口音模仿、角色扮演等多样化表达 |—— | **应用场景** **情感陪聊：** 智商情商双在线，依托超自然的对话效果与极低时延，对用户的各类情感诉求给予深度共情与温暖承接，无论是鼓励、关心还是遗憾，都能恰到好处地接住，成为用户随时可聊的贴心密友 **儿童与老人陪伴**：具备出色的方言识别能力，可轻松应对全国主流方言对话；支持悄悄话、唱歌、风格模仿、讲故事等丰富表达，让孩子拥有一个会玩会闹的好玩伴，让老人多一位耐心倾听的好伙伴 **语音助手：** 兼顾高智商与情感表达，可作为手机、智能座舱、可穿戴设备等场景下的语音助手，为用户提供高效、自然且富有温度的交互体验 **智能语音外呼：** 在产品介绍、价格沟通、客户回访、问题答疑、情绪安抚等外呼场景下，可呈现接近真人客服的对话表现，胜任更复杂的业务沟通任务，并为人工坐席提供有效辅助 **能力预览** > 立即体验：前往[体验中心](https://console.volcengine.com/speech/new/experience/call?projectName=default)，即刻开始语音对话，体验豆包实时语音能力 |**Feature** |

拟人对话

指令控制

声线模仿

唱歌

| |---|---|---|---|---| |DEMO

|

| ## 音色设计 **基本介绍** 豆包音色设计模型支持文本与图片双模态输入，为用户设计专属音色。用户既可以通过自然语言描述年龄、性别、声线、情感、风格等维度生成音色，也可以直接上传角色图片，由模型自动生成贴合人物形象的音色

核心优势

图生音色：上传角色图片即可一键生成贴合形象的音色，可直接复用视频参考图或视频截图，无需人工二次描述，有效解决 AI 剧、短剧、故事片等场景中 "角色音色难找、版权风险高" 的痛点

文生音色：用一句话描述角色名、年龄性别、人设职业、口音语言、声线气质、风格场景，以及情绪、语速、语调、音量等维度，即可生成声线、口音、情绪与韵律均贴合角色的专属音色

轻松接入：生成的音色 ID 可直接用于声音复刻合成与长文本合成，推理接口无需变更；存量客户还可复用已购音色槽位的剩余次数进行音色设计，接入成本低

**应用场景** * **数字人 / 视频配音：** 为不同角色打造专属音色，适用于视频剪辑、广告营销、新闻播报、电商带货等场景。 * **有声小说: ** 为小说中的不同角色设计贴合音色，提升有声播报的代入感。 * **情感陪伴 (APP / 硬件): ** 生成风格贴合的拟人音色，为陪伴类 APP 与智能硬件提供共情交互体验。 * **语音助手: ** 支持厂商预设或用户自定义音色，为手机、耳机、眼镜、音箱、手表等终端带来拟真人的语音交互。 **能力预览** > 立即体验：前往[体验中心](https://console.volcengine.com/speech/new/experience/timbre?projectName=default)，即刻开始语音对话，体验豆包实时语音能力 |**场景** |**输入图片** |**风格预测** |**效果demo** | |---|---|---|---| |**影视类** |

|星象师(男性中年40\-50岁、沉稳有磁性带威严、普通话、庄重古典) 语速中等偏慢、语调起伏较大、**愤怒**痛心地质问道:“我绘星象助你避灾，你却用星轨布杀阵！长公主，紫微垣的星光落进你眼里......怎么就化成了鸩毒？” |

sft_c2a_v0.13_samv0.5exp_1b8_ams_gen_debug-4_v0 (3).wav

| | |

| 后宫高位妃嫔(女性25\-35岁、**沉稳威严略带清冷**、普通话、端庄威严风格) 语速适中，语调偏低沉，严肃警示地说道：“后宫之中，最忌讳的就是喜怒形于色，让别人轻易猜到你的心思。”

|

sft_c2a_v0.13_samv0.5exp_1b8_ams_gen_debug-4_v0 (1).wav

| |**动漫/虚拟IP** |

|粉色马尾战术少女(女性18\-25岁、清澈有活力略带干练、普通话、热情动员) 稍快但清晰、语调偏高富有感染力、激昂充满热情、宣传式号召:“加入舰队，一起上天吧！为了全人类的福祉，开荒拓野，勇往直前。大夏联盟的顶级舰队——红鳞舰队，我们是你的不二选择！” |

1b8_PTv0 (10).wav

| |**营销** |

|田间促销员(男性30\-40岁，洪亮、富有感染力，普通话，营销推广风格) 语速较快，语调上扬，热情兴奋，大声吆喝:“快快加入我们，一起AI致富。” |

sft_c2a_v0.13_samv0.5exp_1b8_ams_gen_debug-4_v0 (4).wav

| |**日常类** |

| 雪地青年(男性18\-25岁、干净清冽、普通话、日常自语) 语速适中，语调平和偏低，情绪平静释然，自然讲述：“最近生活有点乱，出来走走，想让脑子透透气。就这么一个人待会儿，也挺好。” |

1b8_PTv0 (1).wav

| ## 语音播客 **基本介绍** 豆包语音播客模型基于豆包端到端实时语音大模型（S2S）构建，可将输入文本自动提炼为双人对话形式的口语化文本，并生成对应的双人播客音频。同时，播客模型支持模拟真人对话中的附和、停顿、衔接等交互细节，并可对接深度搜索能力，整体效果接近专业播客录制水准

核心优势

高语音自然度：在合成结果中保留附和、停顿、语气词、呼吸等口语化特征，对话听感自然，接近专业播客录制效果

高效内容生成：基于端到端链路一键生成，无需人工录制即可输出双人对话播客，显著降低内容生产成本

时效信息覆盖：集成深度搜索能力，输入热点话题后可快速生成基于最新资讯的播客音频，满足时效性内容生产需求

**应用场景** * **播客创作平台**：为播客类 APP 或 SaaS 平台提供 AI 播客生成能力，丰富内容供给，降低创作门槛 * **音视频内容生产**：为音视频剪辑及音频创作平台提供素材转音频能力，支持基于文档、网页等输入自动生成观点解读、信息播报类音频内容 * **新闻资讯播报**：将新闻资讯网页或 APP 中的图文内容自动总结并输出为双人对话播报，丰富资讯产品的呈现形式 * **儿童陪伴教育**：为儿童教育类 APP 提供双人对话音频生成能力，可用于双人教学、科普讲解、故事讲述等有声内容的批量生产 **能力预览** > 立即体验：前往[体验中心](https://console.volcengine.com/speech/new/experience/podcast?projectName=default)，输入话题或者上传文件，体验豆包实时语音能力

## 语音同传 **基本介绍** 豆包同声传译大模型采用端到端架构，在单一模型中完成语音识别、语义理解与翻译输出，实现高准确率、低时延的实时同传能力。 **模型支持两种工作模式：** * **语音到文本（S2T）** ：流式输入语音，输出对应目标语种的翻译文本 * **语音到语音（S2S）** ：流式输入语音，模型在完成翻译的同时自动复刻说话人音色，并以原说话人的音色输出目标语种语音

核心优势

零样本声音复刻：基于全双工语音理解与生成框架，无需预先录制说话人音频，传译过程中即可完成音色采样，并以复刻音色输出译文语音。

高质量翻译：在多人对话、中英混杂、发音不清等复杂场景下仍可保持稳定的翻译质量，支持多说话人区分，并具备语义纠错能力，对中国文化与专业领域内容的处理尤为出色。

低时延同步：实现翻译文本与语音的同步生成及声音复刻，语音延迟可低至 2–3 秒，显著提升实时交互体验。

节奏自适应：在翻译质量、延迟与语音节奏间智能平衡，可根据说话人的清晰度、流畅度动态调整输出节奏，并在长时间传译中保持稳定的语音节律。

**应用场景** * **国际会议与商务会议**：在跨语种会议中提供实时字幕与同传翻译能力，消除语言障碍，提升各方协作效率，可应用于会议字幕、AI 同传等场景 * **手机通话与智能助手**：集成至手机助手或实时通话功能，为跨语种通话提供同声传译服务 * **智能硬件**：可接入耳机、智能眼镜、翻译机等硬件设备，为跨境办公、出行旅游等场景提供跨语言交流支持 * **在线教育**：在教育类 APP 或学习硬件中提供实时翻译字幕，帮助用户跨越语言障碍，扩展学习内容的可及范围 **能力预览** > 立即体验：前往[体验中心](https://console.volcengine.com/speech/new/experience/translate?projectName=default)，即刻开始语音对话，体验豆包实时语音能力 |**场景** |**端到端，0样本复刻** |**复杂场景下的精准理解** |**低时延，3秒返回** | |---|---|---|---| |DEMO

|

| ## 语音妙计 **基本介绍** 豆包语音妙记模型是飞书妙记同款的音视频内容结构化模型，基于飞书在字节跳动内外的应用经验针对企业场景深度调优，可将会议、培训、销售电话、访谈等音视频内容转化为带多层级章节结构的文字稿，并自动提取总结、章节、流程、问答、待办等结构化信息，提升音视频内容的检索效率与二次利用价值。

核心优势

效果领先：依托大模型语音识别与豆包 LLM，在语音转文本与音频结构化分析任务上稳定领先，达到行业先进水平

规模化验证：飞书妙计同款模型，在飞书场景下经过千万级小时的使用与持续打磨，可稳定输出高质量结构化内容

灵活接入：以通用 API 形式开放底层原子能力，无需页面集成，企业可按需选用并快速集成至自身业务系统

**应用场景** * **企业办公：** 自动生成会议纪要与面试记录，便于回顾、检索与跨轮次信息同步。 * **金融证券：** 对业绩发布会等多语种内容生成结构化摘要，辅助投资经理与终端用户获取财报信息。 * **在线教育：** 对直播或录播课程进行内容总结与教学质量分析。 * **手机助手：** 为手机笔记类 APP 与 AI 助手提供录音纪要能力。 * **新闻媒体：** 快速整理音视频素材并辅助撰写初稿，提升内容生产效率。 ## 机器翻译 **基本介绍** 豆包机器翻译模型（Doubao Seed\-X）是一款自研的多语言文本翻译模型，可在 32 种语言之间实现文本到文本的互译。模型面向真实业务场景进行优化，在语义忠实、表达地道、阅读流畅三个维度均有重点提升，可广泛应用于短视频、办公协作、跨境电商、游戏与社交等场景。

核心优势

翻译质量领先

在 FLORES\-200 等多个公开多语种测试集的自动评估中表现突出

通过母语级译者人工评估与业务难例测试持续验证，主客观评价均优于传统模型

贴近真实业务场景

短视频翻译：可准确处理短文本、口语化表达、强情绪内容及符号、表情、网络梗等元素

办公翻译：可有效处理省略表达、礼貌用语、跨团队语境与高密度术语，在对话、技术文档与会议口语等场景中翻译效果优于传统模型

复杂表达处理得当

在保持原意的前提下，可进行语序调整、从句拆分与省略补全，输出更自然的目标语言表达

针对 IM 与社交文本，可识别致谢、请求、提醒、委婉等意图，输出更贴合语境的译文

**应用场景** * **游戏：** 支持游戏内素材、UGC 用户聊天等内容的多语种翻译 * **跨境电商：** 支持商品物料、商家与买家 IM 沟通等场景的多语种翻译 * **跨国企业：** 支持公司内部资料多语言翻译、员工跨国沟通等场景 ## 自学习平台 **基本介绍** 火山引擎自学习平台为开发者提供专属定制的语音与翻译优化工具，只需简单配置，即可显著提升专有词汇的识别与翻译准确率。平台主要提供以下三个核心功能 * **热词** ：在使用语音识别、音视频字幕相关服务时，若存在部分词汇识别效果不好的情况，可考虑通过[添加热词](https://www.volcengine.com/docs/6561/1742791?lang=zh)，提高该类词语的识别效果 * **替换词** ：支持将语音识别别、音视频字幕生成场景下模型识别出的特定词汇，自动替换为目标词汇，常用于敏感词替换、文本规范化等场景 * **术语词：** 可应用于豆包同声传译、豆包机器翻译模型，可配置术语词对，提升已配置术语词翻译的准确率 ## 控制台相关接口 **基本介绍** [控制台](https://console.volcengine.com/speech/new/overview?projectName=default)相关接口将控制台的常用功能开放为 API, 便于开发者通过程序化方式管理账号资源、服务状态与用量数据，无需登录[控制台](https://console.volcengine.com/speech/new/overview?projectName=default)手动操作。 **接口能力** 按使用场景可分为以下五类 * **音色管理: ** 查询可用音色列表。 * **API Key 管理:** 支持 API Key 的获取、创建、更新与删除。 * **服务管理:** 开通、暂停、停用服务，并查询服务状态。 * **资源与订单管理:** 查询和购买资源包；查询、下单与续费声音复刻。 * **用量与配额查询:** 查询 Quota、调用量，以及 QPS / 并发数据。