## 2026年6月 **豆包音频生成模型1.0** 业内首个可通过单条 Prompt 直接生成影视级音频的模型，支持文本、音频等多模态输入，显著降低声音创作门槛，兼顾高表现力与全要素覆盖。 **豆包实时语音模型3.0** 原生全双工端到端语音大模型（Seeduplex），具备精准遵循、抗干扰、动态判断三大优势，不仅更懂何时听、何时说，还能在对话中直接调用工具完成任务，实现“边听边说边办事”的实时交互体验。 ## 2026年4月 **豆包机器翻译模型** 支持 32 种语言互译，提供高质量、上下文感知的翻译能力，并支持术语定制，满足专业领域翻译需求。 ## 2026年3月 **豆包音色设计模型** 支持文本与图片双模态输入，为每个角色定制更贴合需求的专属音色。覆盖故事片、AI 电影、AI 短剧等场景，解决音色版权与人物声音同质化问题，让角色表达更丰富、更生动。 ## 2026年1月 **豆包实时语音模型2.0** 在延续 1.0 低时延、高质量体验的基础上，合成效果更可控、音色更灵活、复刻更出色，歌唱表现也全面升级。 ## 2025年12月 **豆包语音识别模型2.0** 将语音识别从“听懂文字”升级为“看懂场景”。在语音识别过程中，将上下文理解的范围从纯文本扩展到视觉层面，通过理解图像和视频内容，帮助模型更精准地完成语音转录。 ## 2025年10月 **豆包声音复刻模型2.0** 支持灵活引用对话上下文，并结合语音指令标签，精准调控语气、节奏与表达，让合成效果更自然、更贴合场景。 ## 2025年9月 **豆包语音合成模型2.0** 供更加自然、更丰富情感、更具有表现力的语音合成效果 **豆包录音文件识别\\-闲时版** 利用闲时算力进行录音文件识别，性价高，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 ## 2025年8月 **豆包语音妙记模型** 将企业内大量存在的会议/培训/销售电话/访谈等音视频内容，转化为结构化的有多层级章节结构的文字稿 ## 2025年7月 **豆包录音文件识别\\-极速版** 上传录音文件后，快速返回识别文字结果 **豆包语音播客模型** 智能提炼文本并生成自然流畅的双人对话，让内容更生动、更具沉浸感 **豆包同声传译大模型** 高准确率、低时延的语音到文本 & 语音到语音的同声传译能力。该模型支持以下两种模式 * **语音转文本（S2T）** ：接收语音输入，转化成翻译文本 * **语音转语音（S2S）** ：接收语音输入，在语义理解与翻译的同时，复刻说话人音色，以目标语种进行语音输出 ## 2025年5月 **豆包实时语音模型** 超拟人、低时延的实时语音交互模型，呈现接近真人的语音表达水准