Volcengine Release Notes

Release Notes

• 已支持隐式 meta 水印写入，当前仅大模型语音合成、声音复刻和 语音播客v3 协议接口支持，音频格式支持mp3/wav/ogg_opus。官网接口文档→，搜索 “aigc_metadata”。
• 播客大模型已支持合成结尾加上显式水印（“AI”的摩斯码节奏音频），文档已经更新（搜索 aigc_watermark 跳转请点击→）。
• 大模型语音合成2.0版本上新：
  • 推出豆包语音合成模型2.0，支持TTS对话式合成新范式(Query-Response)，提供更加自然、更丰富情感、更具有表现力的语音合成效果。
  • 新上线异步执行长文本任务接口：最大单次可执行的文本长度为10万字符，合成音频数据在服务端可保存7天。适用于批量进行音频内容生产（如有声小说等），但对时效性要求不高的场景；调用的价格跟大模型语音合成/声音复刻短文本定价保持一致；
• 音色上新 | 新音色*14，新增趣味口音、角色扮演音色：14个；
• TTS（大模型） 已支持合成结尾加上显式水印（“AI”的摩斯码节奏音频），已经上线，文档已经更新（搜索 aigc_watermark 跳转请点击→）。

Release Notes

• 大模型录音文件闲时版上线：整体产品效果及功能同大模型录音文件识别标准版，时效性24小时内完成处理，适用于大批量、对时效性要求较低的录音文件识别任务处理，价格相比于标准版更加实惠；（接口文档→）

• 大模型流式语音识别-地址/音乐优化：对于地址、歌名语音识别困难的词语，能调用专业的地图/音乐领域推荐词服务辅助识别，提升识别准确率；支持范围：流式输入、二遍流式输入模式、录音文件识别；（接口文档→）

• 大模型录音文件识别（auc）及大模型流式语音识别-流式输入模式（bigmodel_nostream），新上线13语种混合模型，除中英之外，支持的语种包括11种外语：日语、韩语、印尼语、菲律宾语、马来语、泰语、法语、德语、西班牙语、葡萄牙语、沙特阿拉伯语；接口调用时，默认调用中文模型（支持中英及国内主流方言），如需调用外语模型，需要指定语种；（注意：双向流式模式仍然只支持中英文识别）

• 双向流式优化版支持非流式二遍识别

• 产品升级 | 新增语速、音量、语种、情绪、性别五种检测

• 400新版本模型上线，性能提升，ITN效果优化，支持传参选择使用不同模型版本

• 上线录音文件识别大模型极速版，具体API请见https://www.volcengine.com/docs/6561/1631584

• 流式接口重采样优化

• 自学习平台替换词支持正则

• 自学习平台热词传入和context扩容至5000词

• 支持通过API接口创建和管理热词表、替换词表

1. 播客大模型-二期迭代功能：

• 输入支持url及文件（txt/pdf/word）；
• 输出支持URL 形式返回的解析结果，链接有效期为一小时；
• 语音合成对白文本支持修改，支持客户自定义导入；
• 音色顺序可支持指定或随机；
• 支持输出每轮音频时长，调用方可依此实现时间戳；

说明：通过 prompt 联网搜索内容生成播客功能已上线，但效果仍有优化空间，当前可以先做体验测试；

2. 产品能力升级

• 支持16、32bit两种pcm位深；
• 新增多发音人；
• 支持内置联网。

3. 音色上新 | 新音色*9，新增客服场景音色：9个；

• 新音色*9，新增客服场景音色：9个

4. 音色上新 | 新音色*22，新增客服场景音色：14个；新增有声阅读、多语种、通用场景、角色扮演音色：8个；

• 新音色*22，新增客服场景音色：14个；新增有声阅读、多语种、通用场景、角色扮演音色：8个

5. 产品升级 | TTS DMD 版本上线，较默认版本音质有提升，且延时更优。（需注意，此版本在复刻场景中会放大训练prompt的发音人的特质，因此对prompt的要求更高，使用高质量的训练音频，可以获得更优的音质效果）

• TTS DMD 版本上线，较默认版本音质有提升，且延时更优。（需注意，此版本在复刻场景中会放大训练prompt的发音人的特质，因此对prompt的要求更高，使用高质量的训练音频，可以获得更优的音质效果）