Skip to main content

Guía de prompts para Seed Audio 1.0

Seed Audio 1.0.
Un prompt. Una escena sonora con toda la producción.

Guía de prompts para Seed Audio 1.0: el modelo de texto a audio de ByteDance. Dale un guion y lo leerá, o describe una escena ("una ficción sonora de suspense nocturna") y lo producirá todo: voces, ritmo y ambiente. Tienes 20 voces predefinidas, clonación de voz a partir de clips de referencia y controles de velocidad, volumen y tono. 0.1 créditos por segundo de audio generado.

Resumen

Seed Audio 1.0 tiene dos modos. Distinguirlos es la clave para crear buenos prompts. Modo literal: escribe las palabras exactas que quieres escuchar, pon el guion entre comillas y el modelo lo leerá con la voz que elijas. Modo de instrucciones: describe lo que buscas ("genera una intro enérgica para un podcast sobre herramientas de IA") y el modelo escribe e interpreta la pieza completa: guion, locución y hasta el estilo de producción.

Hay tres formas de elegir voz. Selecciona una de las 20 voces predefinidas por su nombre (kian_en_zh, vivi_mixed_en_zh_ja_es_id, monkey_king_zh…), deja la voz sin definir para que el modelo elija la más adecuada para tu prompt, o clona una voz enviando hasta tres clips de referencia a través de la API e indicándolos en el prompt como @Audio1 a @Audio3.

El coste se calcula por segundo de audio terminado: 0.1 créditos por segundo. Al enviar la solicitud, se retiene un importe estimado según la longitud del prompt. Cuando termina el clip, se ajusta a la duración exacta del resultado. Solo pagas por el audio que recibes.

20

Voces predefinidas

0.1 cr

Por segundo generado

3

Clips de referencia para clonar

Funciones clave

Modo de instrucciones

Generación de escenas sonoras

La función estrella: describe una escena en lugar de escribir un guion. Ficción sonora, intros de podcasts, anuncios, meditaciones guiadas. El modelo escribe el contenido, elige la voz y lo interpreta con el ritmo y el tono adecuados. Unas instrucciones breves dan lugar a piezas sorprendentemente completas.

O deja que el modelo elija

20 voces predefinidas

Las voces predefinidas abarcan inglés, chino, español, japonés, indonesio y portugués. Desde narradores cálidos (kian_en_zh) hasta voces multilingües versátiles (vivi_mixed_en_zh_ja_es_id) y personajes como monkey_king_zh. Deja la voz sin definir y el modelo elegirá la que encaje con tu prompt.

Referencias @Audio1 · API

Clonación de voz

Envía hasta tres clips de referencia (30s / 10MB cada uno, wav / mp3 / pcm / ogg) mediante audio_urls en la API y cítalos en el prompt como @Audio1, @Audio2, @Audio3. El modelo genera el audio con la voz de referencia. También puedes usar una sola imagen de referencia (image_url) para orientar el estilo: audio o imagen, no ambos.

Velocidad · volumen · tono

Controles de locución

La velocidad va de 0.5x a 2x, el volumen de 0.5 a 2 y el tono permite ajustes de ±12 semitonos. Usa la velocidad para marcar el ritmo (1.1x agiliza los anuncios) y el tono para dar carácter (-3 semitonos hacen más grave la voz de un villano). Deja el volumen en 1, salvo que necesites igualarlo con otro audio.

EN · ZH · ES · JA · ID · PT

Multilingüe + cambio de idioma

Las voces multilingües cambian de idioma a mitad de frase sin perder su identidad. Combina los idiomas directamente en el prompt: una misma línea en inglés, español y chino suena natural con una voz como vivi_mixed_en_zh_ja_es_id.

mp3 · wav · pcm · ogg

Control de formato

Genera en mp3 (predeterminado y más ligero), wav o pcm (sin compresión, para flujos de edición), u ogg_opus. Las frecuencias de muestreo van de 8 kHz (sonido de línea telefónica) a 48 kHz (producción). El valor predeterminado de 24 kHz funciona bien para la mayoría de los trabajos de voz.

Clips de ejemplo

Cada ejemplo incluye el prompt exacto con el que se creó el resultado. Copia cualquier prompt con un clic.

Ficción sonora de suspense

Modo de instrucciones · voz automática

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.

Modo de instrucciones puro, sin guion. Indica el género ("ficción sonora de suspense"), el escenario, los personajes y uno o dos detalles de producción ("lluvia contra las ventanas", "golpe musical de tensión"). El modelo escribe e interpreta toda la escena.

Narración documental

Modo literal · 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."

Modo literal: el guion exacto va entre comillas y las indicaciones de locución ("narrador de documental cálido y pausado") van fuera. Combina esas indicaciones con una voz estable como kian_en_zh para mantener una locución uniforme entre tomas.

Intro de podcast

Modo de instrucciones · voz automática

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.

Modo de instrucciones con un nombre propio entre comillas. Los nombres de programas, marcas y eslóganes entre comillas se mantienen intactos mientras el modelo improvisa el resto. "Con aire de jingle breve" orienta el estilo de producción.

Voz de personaje

Modo literal · 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?"

Dirige al personaje como dirigirías a un actor: un arquetipo ("villano travieso de fantasía") y dos indicaciones de interpretación ("lento y teatral"). Baja el tono -2 o -3 semitonos para darle un aire más amenazante sin cambiar de voz.

Anuncio de 20 segundos

Modo literal · mindy · velocidad 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."

Los anuncios necesitan ritmo: indicar el formato ("anuncio de 20 segundos con energía") marca la intención, y subir la velocidad a 1.1x le da un ritmo propio de la radio. Las URL y los nombres de marca se leen con claridad, sin marcas especiales.

Cambio de idioma en plena frase

Modo literal · 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。"

Para alternar idiomas necesitas una voz multilingüe. vivi combina inglés, español y chino de un tirón sin perder su identidad vocal. Escribe los idiomas seguidos, tal y como quieres que se pronuncien.

Consejos para tus prompts

Las comillas deciden el modo

El texto entre comillas dobles se lee palabra por palabra; todo lo que queda fuera son indicaciones. Sin comillas, el prompt se interpreta como una instrucción y el modelo escribe su propio guion. Combinar ambos ("Lee esto como X: '…'") es el patrón más fiable para controlar la locución.

Dirige la voz como a un actor

Dos o tres palabras sobre la interpretación funcionan mejor que un párrafo descriptivo: "cálido y pausado", "lento y teatral", "animado y rápido". Define un arquetipo (narrador, presentador de programa matinal, villano) para dar una base a toda la interpretación.

Si tienes dudas, deja que elija

Dejar la voz sin definir funciona de verdad: el modelo elige una que encaja con el contenido. Esto importa especialmente en el modo de instrucciones, donde también escribe el guion. Fija una voz predefinida cuando necesites mantener la misma entre tomas.

Velocidad para el ritmo, tono para el personaje

No intentes ajustar el ritmo en el prompt si un control lo hace mejor: de 1.1x a 1.2x para anuncios ágiles, 0.9x para meditaciones. Un cambio de tono de ±2 a ±3 semitonos modifica el peso del personaje sin hacer irreconocible la voz; ±12 equivale a una octava completa y enseguida suena caricaturesco.

Calcula el coste por segundo

A 0.1 créditos por segundo, un clip de 30 segundos cuesta 3 créditos. La retención inicial se estima según la longitud del prompt y se ajusta a la duración real al terminar. Si las instrucciones generan escenas largas, se cobra la diferencia; si la estimación fue excesiva, se devuelve el sobrante.

Guía de ajustes

AjusteValoresNotas
promptup to 2,048 charsGuion (entre comillas) o instrucciones para la escena. De @Audio1 a @Audio3 hacen referencia a los clips subidos.
voicepreset name or cloned idOmítelo para que el modelo elija la voz. 20 voces predefinidas en 6 idiomas.
audio_urlsup to 3 URLs (API)30s / 10MB por clip, wav / mp3 / pcm / ogg_opus. No se puede combinar con image_url.
image_url1 URL (API)jpeg / png / webp de hasta 10MB. Alternativa a las referencias de audio.
output_formatmp3 · wav · pcm · ogg_opusmp3 por defecto. wav/pcm para flujos de edición.
sample_rate8k–48k Hz24,000 Hz por defecto, ideal para la mayoría de los trabajos de voz.
speed0.5–2.01.0 es la velocidad normal. 1.1x agiliza las locuciones publicitarias.
volume0.5–2.0Déjalo en 1, salvo que necesites igualar el volumen de un audio existente.
pitch-12 to +12 semitonesEntre ±2 y ±3 para dar más o menos peso a la voz del personaje; ±12 equivale a una octava completa.
Coste0.1 credits / secondSe reservan créditos según una estimación de la duración basada en el prompt. El cobro final se ajusta a la duración exacta del audio generado.

Preguntas frecuentes

Pagas 0.1 créditos por segundo de audio terminado. Al enviar la solicitud, se retiene una estimación basada en la longitud del prompt. Cuando termina el clip, el cobro se ajusta a la duración exacta: si dura más, se cobra la diferencia; si dura menos, se devuelve automáticamente.