火山引擎推出语音内容编辑模型，可用自然语言指令改词

火山引擎多媒体实验室推出指令驱动的语音内容编辑模型，用户可通过自然语言指令直接修改音频中的具体词汇，同时保留原说话人的音色、韵律与上下文衔接。模型采用音频 Tokenizer 将声音离散化，结合 CoT 式语义规划，先产生语义表达再生成音频 Token，并在解码阶段引入原音频声学特征以保证音色一致。