火山引擎发布语音内容编辑模型，可用自然语言指令改口播

火山引擎多媒体实验室发布指令驱动的语音内容编辑模型，用户用自然语言说明要改什么，模型在保留原音色与韵律的前提下局部再生成语音。模型先把原音频转为离散音频 Token，与编辑指令一起输入，经 CoT 式语义规划后再生成音频 Token 并由声码器还原波形，训练数据由原音频、编辑指令、修改后语义表达和语音结果成对组成。