绿茶婊

打好引育服务“主动牌” 当好助企发展“暖心人”_我的网站

冰与火之歌第一季

一 | 今年以来，抚顺市人力资源社会保障局充分发挥人社部门助企纾困重要作用，大力实施一系列“惠企”“强企”“暖心”行动，为企业排忧解难。每经记者：李宇彤每经编辑：杨翼语音大模型迭代速度明显加快，从最初的基础语音合成到实时对话，再到如今具备情绪表达的拟人化语音，技术边界不断扩展。聚焦企业人才需求，从保障用工、暖心服务、人才引育等方面强互动、搭平台，多措并举满足企业用工需求，持续做好助企发展“暖心人”。　　为解决我市各类企业用工难问题，市人力资源社会保障局认真落实国家、省各项稳就业、促就业举措，出台系列具体政策措施，以升级实施“雷锋在线365”扎根计划为动能，聚焦群众求职和企业用工供需两端，通过市场聚合、部门联动、沈阳现代化都市圈多城互联、跨区域合作招聘等方式，推动高质量充分就业。

二 | 在此背景下，互联网头部厂商均在押注语音赛道。

三 | 　　抚顺市人力资源社会保障局党组书记、局长黄文来说：“市人力资源社会保障局持续灵活运用“互联网+”思维，将就业岗位搬上网，通过“抚顺就业”微信公众号精心设计开展重大项目重点企业保障用工引才行动、“心系中小微助民企发展”用工保障专项行动、2024年“百日千万招聘专项行动”等分行业、分主题的线上招聘活动，大力提升招聘服务力度，倾力打造“云字号”就业服务直通车。

四 | 1-8月份，通过公众号共发出就业“职”通车155列，发布企业791家次，岗位10655个次。2026年7月20日，字节跳动Seed团队正式发布音频创作模型Seed Audio 1.0。” 　　此外，市人力资源社会保障局还通过开展现场招聘活动，切切实实将就业岗位递到有就业愿望的求职者手中，引导重点群体及各类求职者到用工单位就业，为供需双方搭建零距离对接平台。同时，利用抖音平台开展直播带岗，主持人在线介绍岗位详情，将用工企业优质岗位进行一一推送，充分运用互联网思维模式优化供需对接服务，拓宽求职者就业择业渠道。据字节跳动方面介绍，该模型面向完整声音场景，在统一框架下联合建模人声、音效和环境声等多种音频要素，端到端完成影视级音频创作。通过新媒体短视频平台，精心打造“小何带您进企业”视频探岗，与企业零距离接触。主播走进车间，现场展示企业生产及员工工作环境，对求职者关心的薪酬待遇、用工保障等问题，企业负责人在现场进行一一解答；走进企业活动，求职者互动关注性高、参与感强，更大程度优化了招聘效果，以优质高效的线上服务，努力助推求职者与用工单位实现人岗无障碍对接。也是在7月20日，阿里千问推出语音合成大模型Qwen-Audio-3.0-TTS（以下或简称阿里千问TTS）。《每日经济新闻》记者了解到，语音能力已成为大模型厂商的必争之地，一方面语音是人机交互最自然的入口，另一方面该能力也是内容生产的核心基础设施以及多模态大模型闭环中不可或缺的一环。　　据了解，今年1-8月份。

五 | 　　全市公共人力资源服务机构共举办313场现场招聘活动，进场企业8401家次，提供就业岗位124639个次；进场求职近5.6万人次，共达成初步就业意向4444人。　　开展直播带岗活动共207场，人社局长走进直播间活动8期，参会企业4947家次，提供岗位63211个次，累计在线观看551093人次。而在此赛道，竞争的维度正在从声音质量转向体系化的作战能力。

六 | 从“语音合成”到“音频创作” 《每日经济新闻》记者注意到，Seed Audio 1.0带来的最核心变化，是交付形态的改变。　　开展6期视频探岗活动，播放量5.8万人次。

七 | 过去，完整音频内容的生产通常依赖多环节拼接，生成人声后再对音效和环境声另外生成，最后人工混音对齐。　　抚顺市人力资源社会保障局党组书记、局长黄文来说：“市人力资源社会保障局将持续聚焦完善就业优先政策，把缓解企业招工难题作为一项长期工作内容，注重强化工作举措，狠抓工作落实。通过积极开展针对性强、点对点的个性化服务，用真心与真情助企纾困，促进企业壮大发展。

八 | ” 责任编辑：李丹。Seed Audio 1.0则可以直接输出一段完整可用的声音作品。技术上，字节跳动训练了一个通用声学编码器，将人声、音效、环境声视为同一声音场景的组成部分，映射到统一的声学表征中，而非作为独立任务分别编码。基于这种统一建模方式，模型能够更自然地组织角色语气、背景氛围和声音节奏，输出更接近完整的作品。字节跳动方面表示，这也是将其定义为“音频创作模型”而非语音合成模型的原因。具体能力体现在三个维度：一是多要素统一编排，一条prompt（提示词）即可编排带有特定情绪的对白、关键音效和环境声，并按时间线控制进场；二是音色风格可控且长时稳定，支持文本与参考音频输入，单次可生成约两分钟音频，并可在此基础上继续延长，同时保持角色音色与表达方式一致；三是多语种零样本生成，支持20余种语种，使声音在节奏、重音、停顿与情绪等细节上贴合目标语言的表达习惯。就字节跳动语音产品的演进路径看，这一步跃迁有清晰的铺垫。2025年1月，豆包实时语音大模型上线，主打端到端语音对话；同年6月，语音播客模型发布，可将文本自动转成双人对话形式的播客；同年10月，语音合成模型2.0和声音复刻模型2.0推出，重点提升情感表达和复刻精度。日前，在接受《每日经济新闻》记者采访时，快思慢想研究院院长、特邀评论员田丰将其形容为音频生产流水线的“合并报表”，模型把原本分属配音、作曲、拟音、混音四个工种的工作，压缩进一次模型推理。在田丰看来，这和英国人工智能公司ElevenLabs的路径有本质区别，ElevenLabs的Studio是“分别生成、手动组合”，TTS、音乐、音效是三个独立API（应用程序编程接口），用户需要在时间轴上逐轨对齐，Seed Audio 1.0试图用一次推理替代这条链路的前几个环节。

九 | 技术上的核心难点，在于长时音色一致性和音色与风格的解耦控制，这两点决定了模型能否从Demo（示范）级走向生产级。不过，田丰也提醒，成本优势仍需实测验证。其表示，当前，AI配音仍集中在短视频旁白、有声书、课件等对质量容忍度较高的场景；在影视、广告等高端音频中，甲方仍优先选择真人声音。对于长篇有声书这类长音频场景，按分钟计费的成本结构能否低于传统配音叠加音乐授权、音效库的组合成本，还需要进一步验证。

十 | 语音能力已成“资格赛”门槛 2026年，从字节跳动的大模型迭代节奏来看，Seed Audio 1.0诞生背后是其越来越清晰的全模态布局轮廓。 2026年2月，字节跳动发布Seedance 2.0，同年4月开放模型API；同年6月，该模型再一次升级，Seedance 2.5面世，同时还发布了Seedream 5.0 Pro，在数月内完成全模态能力升级。与此同时，豆包大模型系列的迭代，也始终围绕推理能力和多模态理解等能力持续升级。这种全栈布局的优势在于协同。视频生成需要配音，图文内容可以转语音，智能体需要语音交互接口。当所有模态的模型都掌握在手中，自然会提升跨模态应用的打通效率。事实上，押注语音赛道的大厂，不止字节跳动一家。就在Seed Audio 1.0发布的同一天，即2026年7月20日，阿里千问推出Qwen-Audio-3.0-TTS，同样瞄准下一代语音合成。

十一 | 阿里千问TTS包含面向实时交互的Flash版本（首包延时300ms级别）和面向高质量生成的Plus版本，在细粒度标签控制、“freestyle”指令遵循、多语种与方言覆盖以及复杂声学鲁棒性等方面实现系统性提升。阿里千问TTS发布后，还登上了“Artificial Analysis”全球语音合成榜单首位。《每日经济新闻》记者注意到，阶跃星辰则走了另一条路线。2026年4月发布的StepAudio 2.5 TTS主打语境感知能力，首次把语境理解引入语音生成全流程，通过全局语境控制定义整段语音的情绪基调、角色状态和场景氛围，发布约一个月后即跻身Artificial Analysis榜单前三。由此来看，语音合成的技术竞争已经进入精细化比拼阶段，各家在数据、算法和工程化上持续投入。

十二 | 在田丰看来，三家解决的，其实是三个不同层级的问题：Seed Audio的建模对象是“场景”，优化目标是多要素编排的协调性，解决批量生产音频内容的问题；阿里千问TTS的建模对象是“单人语音表演”，优化目标是单条语音的表现力，解决如何让合成语音更像专业配音演员的问题；StepAudio 2.5 TTS的建模对象是“实时对话中的人”，核心是副语言感知，解决AI在实时对话中如何更像真人的问题。那么，头部厂商为什么都在加码语音能力？《每日经济新闻》记者了解到，原因在于交互入口的争夺。当下，不论是智能助手、车载系统还是智能家居都离不开高质量语音交互。但田丰指出，在“文本-图像-视频-音频”的多模态矩阵中，语音是技术链条最长的一环，同时涉及ASR、NLU、推理、TTS四个环节，每个环节的延迟叠加直接决定用户体验。而这一战场还在延伸。7月15日，阿里千问宣布将集成至Apple智能设备，为iOS、iPadOS、macOS和visionOS的中国用户提供服务。对此，田丰认为，这意味着语音大模型的竞争，正从云端API向端侧设备渗透，对延迟和功耗的要求会更加极端。