Skip to main content

Guide de prompting Seed Audio 1.0

Seed Audio 1.0.
Un prompt, une scène audio entièrement produite.

Ce guide de prompting Seed Audio 1.0 te présente le modèle texte vers audio de ByteDance. Donne-lui un script, il le lit. Décris une scène, comme « une fiction radio à suspense en pleine nuit », il produit le tout : voix, rythme et ambiance. Au programme : 20 voix prédéfinies, le clonage vocal à partir d’extraits de référence et des réglages de vitesse, de volume et de hauteur. 0.1 crédit par seconde d’audio généré.

Vue d’ensemble

Seed Audio 1.0 propose deux modes. Bien les distinguer, c’est la clé pour réussir tes prompts. Mode verbatim : donne-lui les mots exacts à prononcer, avec le script entre guillemets, et il les lit avec la voix de ton choix. Mode instruction : décris ce que tu veux, par exemple « génère une intro de podcast dynamique pour une émission sur les outils IA », et le modèle écrit et interprète l’ensemble : texte, intonation et même ambiance de production.

Pour les voix, tu as trois options. Choisis l’une des 20 voix prédéfinies par son nom, comme kian_en_zh, vivi_mixed_en_zh_ja_es_id ou monkey_king_zh. Ne renseigne aucune voix et laisse le modèle trouver celle qui convient à ton prompt. Ou clone une voix en envoyant jusqu’à trois extraits de référence via l’API, puis en les désignant dans le prompt avec @Audio1 à @Audio3.

La facturation se fait à la seconde d’audio final : 0.1 crédit par seconde. À l’envoi, un montant est réservé selon la longueur du prompt, puis ajusté à la durée exacte une fois l’extrait terminé. Tu ne paies que l’audio obtenu.

20

Voix prédéfinies

0.1 cr

Par seconde générée

3

Extraits pour le clonage

Fonctionnalités clés

Mode instruction

Génération de scènes audio

La fonction phare : décris une scène au lieu d’écrire un script. Fictions radio, intros de podcast, spots pub, méditations guidées : le modèle écrit le contenu, choisit la voix et l’interprète avec le rythme et le ton adaptés. Des consignes courtes donnent des créations étonnamment abouties.

Ou laisse le modèle choisir

20 voix prédéfinies

Les voix prédéfinies couvrent l’anglais, le chinois, l’espagnol, le japonais, l’indonésien et le portugais. Tu passes de narrateurs chaleureux comme kian_en_zh à des voix multilingues polyvalentes comme vivi_mixed_en_zh_ja_es_id, sans oublier des personnages comme monkey_king_zh. Ne renseigne aucune voix et le modèle en choisit une adaptée au prompt.

Références @Audio1 · API

Clonage vocal

Envoie jusqu’à trois extraits de référence via audio_urls dans l’API, chacun de 30s / 10MB maximum, au format wav / mp3 / pcm / ogg. Désigne-les ensuite dans le prompt avec @Audio1, @Audio2 et @Audio3. Le modèle synthétise l’audio avec la voix de référence. À la place, une seule image de référence, via image_url, peut guider l’ambiance. C’est l’un ou l’autre, pas les deux.

Vitesse · volume · hauteur

Réglages d’interprétation

La vitesse va de 0.5x à 2x, le volume de 0.5 à 2 et la hauteur peut varier de ±12 demi-tons. Joue sur la vitesse pour le rythme, 1.1x resserre la lecture d’une pub, et sur la hauteur pour les personnages, -3 demi-tons donne une voix plus grave à un méchant. Laisse le volume à 1, sauf si tu dois l’aligner sur un audio existant.

EN · ZH · ES · JA · ID · PT

Multilingue + alternance de langues

Les voix multilingues passent d’une langue à l’autre au milieu d’une phrase sans changer d’identité vocale. Écris les différentes langues à la suite dans le prompt : avec une voix comme vivi_mixed_en_zh_ja_es_id, une même ligne en anglais, en espagnol et en chinois se lit naturellement.

mp3 · wav · pcm · ogg

Choix du format

Exporte en mp3, le format par défaut et le plus léger, en wav ou pcm, non compressés pour les chaînes de montage, ou en ogg_opus. Les fréquences d’échantillonnage vont de 8 kHz, pour un effet ligne téléphonique, à 48 kHz, pour la production. Le réglage par défaut de 24 kHz convient à la plupart des créations vocales.

Extraits audio

Chaque exemple affiche le prompt exact utilisé pour obtenir le résultat. Copie le prompt de ton choix en un clic.

Fiction radio à suspense

Mode instruction · voix automatique

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.

Du pur mode instruction, sans aucun script. Indique le genre, « fiction radio à suspense », le décor, les personnages et un ou deux éléments de production, comme « pluie contre les fenêtres » ou « ponctuation musicale tendue ». Le modèle écrit et interprète toute la scène.

Narration documentaire

Mode verbatim · 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."

En mode verbatim, le script exact est entre guillemets et la consigne d’interprétation, comme « narrateur de documentaire chaleureux et posé », reste à l’extérieur. Associe cette direction à une voix prédéfinie stable comme kian_en_zh pour garder une lecture cohérente d’une prise à l’autre.

Intro de podcast

Mode instruction · voix automatique

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.

Du mode instruction avec un nom propre entre guillemets. Les noms d’émissions, de marques et les slogans placés entre guillemets restent intacts pendant que le modèle improvise tout autour. « Dans l’esprit d’un court jingle » donne le cap à la production.

Voix de personnage

Mode verbatim · 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 un personnage comme tu dirigerais un acteur : un archétype, « méchant de fantasy malicieux », et deux indications de jeu, « lent et théâtral ». Baisse la hauteur de -2 ou -3 demi-tons pour renforcer la menace sans changer de voix.

Spot pub de 20 secondes

Mode verbatim · mindy · vitesse 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."

Une pub a besoin de tempo. Précise le format, « spot pub pétillant de 20 secondes », pour donner l’énergie, puis passe la vitesse à 1.1x pour une lecture aussi resserrée qu’à l’antenne. Les URL et les noms de marques sont lus clairement, sans balisage particulier.

Changement de langue en pleine phrase

Mode verbatim · 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。"

L’alternance de langues demande une voix prédéfinie multilingue. vivi enchaîne l’anglais, l’espagnol et le chinois d’un seul souffle en gardant la même identité vocale. Écris les langues à la suite, exactement comme elles doivent être prononcées.

Conseils de prompting

Les guillemets fixent le mode

Le texte entre guillemets doubles est lu mot pour mot. Tout ce qui est à l’extérieur sert de direction. Sans guillemets, le prompt devient une consigne et le modèle écrit son propre script. Combiner les deux, « Lis ceci comme X : '…' », reste la méthode la plus fiable pour maîtriser la lecture.

Dirige la voix comme un acteur

Deux ou trois mots de direction valent mieux qu’un paragraphe de description : « chaleureux et posé », « lent et théâtral », « pétillant et rapide ». Donne un archétype, narrateur, animateur de matinale ou méchant, pour ancrer l’interprétation.

Tu hésites ? Laisse le modèle choisir

Ne pas renseigner de voix donne de très bons résultats : le modèle choisit celle qui convient au contenu. C’est particulièrement utile en mode instruction, puisqu’il écrit aussi le script. Fixe une voix prédéfinie quand tu veux garder la même voix d’une prise à l’autre.

La vitesse pour le rythme, la hauteur pour le rôle

Ne règle pas le rythme dans le prompt quand un réglage dédié fait mieux : 1.1 à 1.2x pour une pub bien resserrée, 0.9x pour une méditation. Une variation de hauteur de ±2 à 3 demi-tons change la présence du personnage tout en gardant sa voix reconnaissable. À ±12, tu atteins une octave entière et l’effet devient vite cartoonesque.

Calcule ton budget à la seconde

À 0.1 crédit par seconde, un extrait de 30 secondes coûte 3 crédits. Le montant réservé au départ est estimé selon la longueur du prompt, puis ajusté à la durée réelle une fois la génération terminée. Si une consigne produit une longue scène, la différence est débitée. Si l’estimation était trop haute, elle t’est restituée.

Réglages

RéglageValeursNotes
promptup to 2,048 charsTexte à prononcer entre guillemets ou consigne de scène. @Audio1 à @Audio3 renvoient aux extraits importés.
voicepreset name or cloned idLaisse ce champ vide pour que le modèle choisisse la voix. 20 voix prédéfinies dans 6 langues.
audio_urlsup to 3 URLs (API)30s / 10MB par extrait, wav / mp3 / pcm / ogg_opus. Non combinable avec image_url.
image_url1 URL (API)jpeg / png / webp jusqu’à 10MB. À utiliser à la place des références audio.
output_formatmp3 · wav · pcm · ogg_opusmp3 par défaut. wav/pcm pour les workflows de montage.
sample_rate8k–48k Hz24 000 Hz par défaut, adapté à la plupart des projets vocaux.
speed0.5–2.01.0 pour une vitesse normale. 1.1x pour des voix publicitaires plus rythmées.
volume0.5–2.0Garde la valeur 1, sauf pour ajuster le niveau à un audio existant.
pitch-12 to +12 semitones±2 à 3 pour donner du poids à un personnage ; ±12 correspond à une octave complète.
Coût0.1 credits / secondCrédits réservés selon une estimation basée sur la longueur du prompt, puis ajustés à la durée exacte du résultat.

FAQ

Tu paies 0.1 crédit par seconde d’audio final. À l’envoi, un montant estimé selon la longueur du prompt est réservé. Une fois l’extrait terminé, la facturation est ajustée à sa durée exacte : la différence est débitée pour un résultat plus long ou remboursée automatiquement pour un résultat plus court.