豆包语音合成模型 2.0 升级，语义理解+情感演绎双突破

火山引擎宣布升级豆包语音合成模型2.0（Doubao-Seed-TTS 2.0）和豆包声音复刻模型2.0（Doubao-Seed-ICL 2.0）。此次升级基于豆包大语言模型研发语音合成新架构，让合成和复刻的声音都能解锁深度语义理解和上下文理解能力，从单纯的文本朗读进化为“理解后的精准情感表达”。

此外2.0模型针对教育场景专项优化，使得全科复杂公式符号的合成平均准确率高达90%左右。

公告称，对话式合成让豆包语音合成模型2.0像是一位会思考的“演绎者”，让声音具备深度语义理解能力，并进一步将理解范围从给定文本扩大到多轮对话，理解包括：对话中的用户 Query、明确的自然语音指令，以及描述性的内心活动、背景信息、细腻情感等，让 AI 语音从“听得清”转变到“懂语义知语境”的情感式表达。

对话式语音合成具备3大核心优势：

• 更强的互动拟人感：精准呈现与场景匹配的语气、语调、停顿等，让交互充满真实人际沟通的自然感。
• 更饱满的情感演绎：深度理解文字背后的情绪延续与变化，让声音的情绪承接更饱满连贯。
• 更精准的指令遵循：实现语速、情绪、声线、风格、音调的精准指令控制，提升语音表现可控性。

豆包声音复刻模型2.0同样具有深度语义理解能力，在语音交互、小说配音、播客对话等场景中具备更强的声音表现力。

此外，豆包语音合成模型2.0和豆包声音复刻模型2.0提升了学科教育场景下复杂公式符号的朗读表现，针对教育场景进行数据增广与模型优化，涵盖单位、函数、幂数、面积、化合物、复分解等上百种类，经过大量客户真实场景的复杂公式评测集测试验证，在小学至高中全学科（数学、英语、化学、物理、地理、生物）的复杂公式符号朗读任务中，平均准确率达90%左右。