Skip to main content

Seed Audio Prompt-Anleitung: 1.0

Seed Audio 1.0.
Ein Prompt. Eine fertig produzierte Audioszene.

Seed Audio Prompt-Anleitung: Seed Audio 1.0 ist das Text-to-Audio-Modell von ByteDance. Gib ihm ein Skript und es spricht den Text ein. Oder beschreibe eine Szene, etwa „ein spannendes Hörspiel fürs Nachtprogramm“, und es produziert alles: Stimmen, Timing, Atmosphäre. Dazu kommen 20 voreingestellte Stimmen, Voice Cloning aus Referenzclips und Regler für Tempo, Lautstärke und Tonhöhe. 0,1 Credits pro Sekunde fertigem Audio.

Überblick

Seed Audio 1.0 hat zwei Modi. Wer den Unterschied kennt, schreibt bessere Prompts. Im Wortlautmodus gibst du den genauen Sprechtext in Anführungszeichen vor. Das Modell liest ihn mit der gewählten Stimme ein. Im Anweisungsmodus beschreibst du deinen Wunsch, etwa „Erstelle ein energiegeladenes Podcast-Intro für eine Show über KI-Tools“. Das Modell schreibt und spricht dann das komplette Stück, inklusive Skript, Vortragsstil und Produktionscharakter.

Für die Stimme hast du drei Optionen: Wähle eines von 20 Presets per Namen, etwa kian_en_zh, vivi_mixed_en_zh_ja_es_id oder monkey_king_zh. Lass die Stimme offen und das Modell besetzt sie passend zu deinem Prompt. Oder klone eine Stimme: Übergib über die API bis zu drei Referenzclips und verweise im Prompt mit @Audio1 bis @Audio3 darauf.

Abgerechnet wird pro Sekunde fertigem Audio: 0,1 Credits pro Sekunde. Beim Absenden wird anhand der Prompt-Länge ein Betrag reserviert. Sobald der Clip fertig ist, wird nach der tatsächlichen Ausgabelänge abgerechnet. Du zahlst nur für das Audio, das du bekommst.

20

Voreingestellte Stimmen

0,1 cr

Pro Sekunde Ausgabe

3

Referenzclips fürs Klonen

Top-Features

Anweisungsmodus

Komplette Audioszenen

Das Highlight: Beschreibe eine Szene, statt ein Skript zu schreiben. Hörspiele, Podcast-Intros, Werbespots, geführte Meditationen: Das Modell schreibt den Text, wählt die Stimme und spricht ihn mit passendem Tempo und Tonfall ein. Schon kurze Anweisungen liefern überraschend vollständige Stücke.

Oder automatisch besetzen lassen

20 voreingestellte Stimmen

Die benannten Presets decken Englisch, Chinesisch, Spanisch, Japanisch, Indonesisch und Portugiesisch ab. Von warmen Erzählerstimmen wie kian_en_zh über mehrsprachige Allrounder wie vivi_mixed_en_zh_ja_es_id bis zu Charakterstimmen wie monkey_king_zh. Lass die Stimme offen und das Modell wählt passend zum Prompt.

@Audio1-Referenzen · API

Voice Cloning

Übergib über audio_urls in der API bis zu drei Referenzclips, jeweils 30s / 10MB, in wav / mp3 / pcm / ogg. Verweise im Prompt mit @Audio1, @Audio2 und @Audio3 darauf. Das Modell erzeugt das Audio mit der referenzierten Stimme. Alternativ kann ein einzelnes Referenzbild über image_url die Stimmung vorgeben. Es geht nur eines von beidem, nicht beides zugleich.

Tempo · Lautstärke · Tonhöhe

Vortragssteuerung

Das Tempo reicht von 0,5x bis 2x, die Lautstärke von 0,5 bis 2, die Tonhöhe lässt sich um ±12 Halbtöne verschieben. Steuere mit dem Tempo das Timing: 1,1x macht Werbetexte knackiger. Nutze die Tonhöhe für Charaktere: -3 Halbtöne geben einem Bösewicht mehr Tiefe. Lass die Lautstärke auf 1, außer du passt sie an vorhandenes Audio an.

EN · ZH · ES · JA · ID · PT

Mehrsprachig + Sprachwechsel

Mehrsprachige Presets wechseln mitten im Satz die Sprache, ohne dass sich die Stimme verändert. Schreibe die Sprachen direkt in den Prompt. Englisch, Spanisch und Chinesisch in einer Zeile klingen mit einer Stimme wie vivi_mixed_en_zh_ja_es_id natürlich.

mp3 · wav · pcm · ogg

Formatwahl

Gib dein Audio als mp3 aus, dem Standardformat mit der kleinsten Dateigröße, als wav oder pcm für unkomprimierte Bearbeitungsworkflows oder als ogg_opus. Die Abtastraten reichen von 8 kHz für Telefonklang bis 48 kHz für die Produktion. Der Standardwert von 24 kHz passt für die meisten Sprachaufnahmen.

Beispielclips

Zu jedem Beispiel siehst du den genauen Prompt, mit dem das Ergebnis entstanden ist. Kopiere jeden Prompt mit einem Klick.

Spannendes Hörspiel

Anweisungsmodus · automatische Stimmwahl

Generate a short suspense radio drama set in a late-night convenience store: a nervous clerk, a mysterious customer, rain against the windows, tense music sting at the end.

Reiner Anweisungsmodus, ohne vorgegebenes Skript. Nenne das Genre, etwa „spannendes Hörspiel“, den Schauplatz, die Figuren und ein oder zwei akustische Akzente wie „Regen an den Fenstern“ oder „spannungsvolle Musikeinblendung“. Das Modell schreibt und inszeniert die ganze Szene.

Doku-Erzählstimme

Wortlautmodus · kian_en_zh

Read this in a warm, measured documentary narrator voice: "Every image begins as noise. In less than a second, a billion tiny decisions turn that noise into a photograph that never existed. This is the story of generative art."

Im Wortlautmodus steht das genaue Skript in Anführungszeichen. Die Sprechanweisung, etwa „warme, bedachte Doku-Erzählstimme“, steht außerhalb. Kombiniere diese Anweisung mit einem gleichmäßigen Preset wie kian_en_zh, damit der Vortrag über mehrere Takes konsistent bleibt.

Podcast-Intro

Anweisungsmodus · automatische Stimmwahl

Generate an energetic morning-show podcast intro: an upbeat host welcoming listeners to "The Creative Stack", teasing today's episode about AI image tools, with a short jingle feel.

Anweisungsmodus mit einem Eigennamen in Anführungszeichen. Namen von Shows und Marken sowie Slogans bleiben in Anführungszeichen unverändert, während das Modell alles drumherum improvisiert. „Mit dem Charakter eines kurzen Jingles“ lenkt den Produktionsstil.

Charakterstimme

Wortlautmodus · sophie_en_zh

Read this line as a mischievous fantasy villain, slow and theatrical: "You really thought a firewall could keep me out of the kingdom's archives?"

Führe Regie wie bei Schauspielern: ein Archetyp wie „verschmitzter Fantasy-Bösewicht“ plus zwei Angaben zum Vortrag wie „langsam und theatralisch“. Senke die Tonhöhe um -2 oder -3 Halbtöne für mehr Bedrohlichkeit, ohne die Stimme zu wechseln.

20-Sekunden-Werbespot

Wortlautmodus · mindy · Tempo 1,1x

Read this as a bright 20-second ad spot: "PixelDojo puts seventy AI models in one studio. Images, video, and now audio. Start creating at pixeldojo.ai."

Werbetexte brauchen Tempo: Das Format „spritziger 20-Sekunden-Werbespot“ gibt die Energie vor. Ein Tempo von 1,1x macht den Vortrag knackig wie im Radio. URLs und Markennamen werden ohne spezielle Markierungen sauber vorgelesen.

Sprachwechsel mitten im Satz

Wortlautmodus · vivi_mixed_en_zh_ja_es_id

Read this naturally, switching languages mid-sentence: "Welcome to the future of sound. Bienvenido al futuro del sonido. 欢迎来到声音的未来。"

Für Sprachwechsel brauchst du ein mehrsprachiges Preset. vivi spricht Englisch, Spanisch und Chinesisch in einem Atemzug, mit derselben Stimmidentität. Schreibe die Sprachen direkt hintereinander, genau so, wie sie gesprochen werden sollen.

Prompt-Tipps

Anführungszeichen bestimmen den Modus

Text in doppelten Anführungszeichen wird wortgetreu gesprochen. Alles außerhalb ist Regieanweisung. Ohne Anführungszeichen gilt der Prompt als Anweisung und das Modell schreibt sein eigenes Skript. Die Kombination aus beidem, etwa „Lies das als X vor: '…'“, ist das zuverlässigste Muster für kontrollierte Sprachaufnahmen.

Führe Regie wie bei Schauspielern

Zwei oder drei Angaben zum Vortrag schlagen einen ganzen Absatz: „warm und bedacht“, „langsam und theatralisch“, „lebhaft und schnell“. Nenne einen Archetyp wie Erzähler, Morningshow-Moderator oder Bösewicht, um der Darbietung eine klare Richtung zu geben.

Lass das Modell die Stimme wählen

Die Stimme offenzulassen funktioniert richtig gut. Das Modell wählt eine Stimme, die zum Inhalt passt. Das zählt besonders im Anweisungsmodus, in dem es auch das Skript schreibt. Lege ein benanntes Preset fest, wenn du über mehrere Takes dieselbe Stimme brauchst.

Tempo fürs Timing, Tonhöhe für Charakter

Regle das Timing lieber direkt, statt es im Prompt zu beschreiben: 1,1x bis 1,2x für knackige Werbung, 0,9x für Meditationen. Eine Tonhöhenverschiebung von ±2 bis ±3 Halbtönen verändert die Wirkung eines Charakters, ohne die Stimme unkenntlich zu machen. ±12 ist eine ganze Oktave und klingt schnell nach Zeichentrick.

Kalkuliere pro Sekunde

Bei 0,1 Credits pro Sekunde kostet ein 30-Sekunden-Clip 3 Credits. Die anfängliche Reservierung wird anhand deiner Prompt-Länge geschätzt und nach Fertigstellung mit der tatsächlichen Dauer verrechnet. Erzeugen Anweisungs-Prompts lange Szenen, wird die Differenz nachberechnet. Zu hoch reservierte Beträge fließen zurück.

Einstellungen

EinstellungWerteHinweise
promptup to 2,048 charsSkript (in Anführungszeichen) oder Szenenanweisung. @Audio1 bis @Audio3 verweisen auf hochgeladene Clips.
voicepreset name or cloned idWeglassen, damit das Modell die Stimme wählt. 20 Presets in 6 Sprachen.
audio_urlsup to 3 URLs (API)Je 30s / 10MB, wav / mp3 / pcm / ogg_opus. Nicht mit image_url kombinierbar.
image_url1 URL (API)jpeg / png / webp bis 10MB. Alternative zu Audioreferenzen.
output_formatmp3 · wav · pcm · ogg_opusStandard: mp3. wav/pcm für die Weiterbearbeitung.
sample_rate8k–48k HzStandard: 24.000 Hz. Passt für die meisten Sprachaufnahmen.
speed0.5–2.01,0 ist normal. 1,1x macht Werbesprechertexte knackiger.
volume0.5–2.0Auf 1 lassen, außer du passt die Lautstärke an vorhandenes Audio an.
pitch-12 to +12 semitones±2 bis 3 für mehr oder weniger Stimmgewicht; ±12 entspricht einer ganzen Oktave.
Kosten0.1 credits / secondCredits werden anhand der geschätzten Prompt-Länge reserviert und exakt nach der Ausgabedauer abgerechnet.

FAQ

Du zahlst 0,1 Credits pro Sekunde fertigem Audio. Beim Absenden wird ein geschätzter Betrag anhand deiner Prompt-Länge reserviert. Sobald der Clip fertig ist, wird nach der genauen Dauer abgerechnet. Bei längeren Ausgaben wird die Differenz nachberechnet, bei kürzeren automatisch erstattet.