模型介绍

豆包语音合成大模型 2.0（Seed-TTS 2.0）是字节跳动自研的新一代大规模自回归语音合成基础模型，基于海量多语种语音数据与大语言模型语义理解能力训练，突破传统 TTS 系统"文本-语音"单向映射的技术范式，实现语义感知的情感化语音生成，在自然度、拟人化表现与可控性上达到业界领先水平，可广泛应用于人机交互、内容生产、多语言本地化等场景。

基础技术规格

指标项	参数说明
模型标识	平台 Model ID：seed-tts-2.0
音频采样率	24kHz 高清采样
输出格式	支持 mp3、wav、pcm、ogg_opus 等主流格式
接入方式	HTTP 单向流式接口

计费

Doubao TTS 2.0 采用按字符计费模式：

• 计费单价：3 元 / 万字符
• 计费单位：字符。1 个汉字、字母、标点、空格、回车均计 1 字符
• 预冻结依据：调用前按请求体 text 的字符数预冻结额度
• 结算依据：按上游返回的真实字符数（usage.text_words）结算，多冻结部分自动释放

说明

• 仅对成功合成的请求计费。因内容审核等原因导致合成失败的，不收取费用。
• 实际计费字符数以接口返回的 usage.text_words 为准。

应用场景

• 音视频创作 / 编辑：面向短视频、广告、电商配音，可短时间内打造海量音色，让用户低门槛、便捷地创建适配自己视频的声音，并对合成效果（风格、情感、局部修改）灵活可控，实现语音、背景音乐与音效的一站式生成。
• 有声书：面向有声小说、多播、有声剧生产，可替代真人声优录音，大幅降低人工录制成本，快速产出高质量有声内容。
• 游戏配音：替代部分真人录音，以更强的可控性适配多角色、多情绪的游戏场景，并支持语音、背景音乐与音效的一站式生成。
• AI 播客生产：快速生成多角色对谈音频，降低制作门槛，让播客内容实现规模化、批量化产出。