Skip to main content

Guida ai prompt di Seed Audio 1.0

Seed Audio 1.0.
Un prompt, una scena audio prodotta da cima a fondo.

Guida ai prompt di Seed Audio 1.0: scopri il modello text-to-audio di ByteDance. Dagli un copione e lo recita, oppure descrivi una scena ("un radiodramma di suspense a tarda notte") e produce tutto: voci, ritmo, atmosfera. 20 voci preimpostate, clonazione vocale da clip di riferimento e controlli su velocità, volume e intonazione. 0.1 crediti per secondo di audio generato.

Panoramica

Seed Audio 1.0 ha due modalità: distinguerle è la chiave per scrivere prompt efficaci. Modalità lettura fedele: inserisci tra virgolette le parole esatte da pronunciare e il modello le legge con la voce che scegli. Modalità istruzioni: descrivi cosa vuoi ("genera un'intro podcast energica per un programma sugli strumenti IA") e il modello scrive e interpreta l'intero pezzo: copione, recitazione e persino stile di produzione.

Per le voci hai tre possibilità. Scegli per nome una delle 20 voci preimpostate (kian_en_zh, vivi_mixed_en_zh_ja_es_id, monkey_king_zh…), lascia la voce non impostata e affida al modello il casting più adatto al prompt, oppure clona una voce passando fino a tre clip di riferimento tramite API e richiamandole nel prompt come @Audio1, @Audio2, @Audio3.

Paghi al secondo di audio finale: 0.1 crediti al secondo. All'invio viene bloccato un importo stimato in base alla lunghezza del prompt. Quando la clip è pronta, l'addebito viene ricalcolato sulla durata esatta: paghi solo l'audio che ricevi.

20

Voci preimpostate

0.1 cr

Per secondo di audio generato

3

Clip di riferimento per la clonazione

Funzioni principali

Modalità istruzioni

Generazione di scene audio

La funzione di punta: descrivi una scena invece di scrivere un copione. Radiodrammi, intro podcast, spot pubblicitari, meditazioni guidate: il modello scrive il testo, sceglie la voce e lo interpreta con ritmo e tono adatti. Bastano poche istruzioni per ottenere pezzi sorprendentemente completi.

Oppure affida il casting al modello

20 voci preimpostate

Le voci preimpostate coprono inglese, cinese, spagnolo, giapponese, indonesiano e portoghese: da narratori caldi (kian_en_zh) a voci multilingue versatili (vivi_mixed_en_zh_ja_es_id), fino a personaggi come monkey_king_zh. Lascia la voce non impostata e il modello sceglie quella adatta al prompt.

Riferimenti @Audio1 · API

Clonazione vocale

Passa fino a tre clip di riferimento (30s / 10MB ciascuna, wav / mp3 / pcm / ogg) tramite audio_urls nell'API, poi richiamale nel prompt come @Audio1, @Audio2, @Audio3. Il modello sintetizza l'audio con la voce di riferimento. In alternativa, una singola immagine di riferimento (image_url) può guidare l'atmosfera: o l'una o gli altri, non entrambi.

Velocità · volume · intonazione

Controlli vocali

La velocità va da 0.5x a 2x, il volume da 0.5 a 2 e l'intonazione varia di ±12 semitoni. Usa la velocità per regolare il ritmo (1.1x rende gli spot più serrati), l'intonazione per caratterizzare i personaggi (-3 semitoni rendono più profonda la voce di un cattivo) e lascia il volume a 1, a meno che tu non debba uniformarlo a un audio esistente.

EN · ZH · ES · JA · ID · PT

Multilingue e cambio di lingua

Le voci multilingue cambiano lingua a metà frase senza perdere continuità vocale. Scrivi le lingue direttamente nel prompt: inglese, spagnolo e cinese nella stessa riga suonano naturali con una voce come vivi_mixed_en_zh_ja_es_id.

mp3 · wav · pcm · ogg

Scelta del formato

Genera in mp3 (predefinito, il più leggero), wav o pcm (non compressi, per i flussi di montaggio), oppure ogg_opus. Le frequenze di campionamento vanno da 8 kHz (effetto linea telefonica) a 48 kHz (produzione). Il valore predefinito di 24 kHz è adatto alla maggior parte dei lavori vocali.

Clip di esempio

Ogni esempio mostra il prompt esatto usato per ottenere quel risultato. Copia il prompt che vuoi con un clic.

Radiodramma di suspense

Modalità istruzioni · voce automatica

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.

Modalità istruzioni pura, senza copione. Indica il genere ("radiodramma di suspense"), l'ambientazione, i personaggi e uno o due elementi di produzione ("pioggia contro le finestre", "stacco musicale carico di tensione"). Il modello scrive e interpreta l'intera scena.

Voce narrante da documentario

Modalità lettura fedele · 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."

Modalità lettura fedele: il copione esatto va tra virgolette, mentre le indicazioni di interpretazione ("narratore di documentari caldo e misurato") restano fuori. Abbinale a una voce stabile come kian_en_zh per mantenere una lettura coerente tra le varie versioni.

Intro podcast

Modalità istruzioni · voce automatica

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.

Modalità istruzioni con un nome proprio tra virgolette. Titoli di programmi, nomi di brand e slogan tra virgolette restano intatti, mentre il modello improvvisa tutto il resto. "Con lo stile di un breve jingle" orienta la produzione.

Voce di un personaggio

Modalità lettura fedele · 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?"

Per guidare un personaggio, ragiona come un regista con un attore: un archetipo ("cattivo fantasy dispettoso") e due indicazioni di interpretazione ("lento e teatrale"). Abbassa l'intonazione di -2 o -3 semitoni per renderlo più minaccioso senza cambiare voce.

Spot da 20 secondi

Modalità lettura fedele · mindy · velocità 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."

Uno spot ha bisogno di ritmo: specificare il formato ("spot brillante da 20 secondi") dà la giusta energia, mentre portare la velocità a 1.1x gli dà un ritmo serrato da messa in onda. URL e nomi dei brand vengono letti in modo pulito, senza marcatori speciali.

Cambio di lingua a metà frase

Modalità lettura fedele · 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。"

Per cambiare lingua serve una voce multilingue: vivi gestisce inglese, spagnolo e cinese tutto d'un fiato, mantenendo la stessa identità vocale. Scrivi le lingue una di seguito all'altra, esattamente come vuoi che vengano pronunciate.

Consigli per i prompt

Le virgolette decidono la modalità

Il testo tra virgolette doppie viene pronunciato parola per parola; tutto ciò che resta fuori è un'indicazione. Senza virgolette, il prompt viene interpretato come un'istruzione e il modello scrive il proprio copione. Combinare i due approcci ("Leggi così, nello stile di X: '…'") è lo schema più affidabile per controllare la lettura.

Dirigi la voce come un attore

Due o tre parole sull'interpretazione valgono più di un paragrafo di descrizione: "caldo e misurato", "lento e teatrale", "brillante e veloce". Indica un archetipo (narratore, conduttore di un programma del mattino, cattivo) per dare una direzione all'intera performance.

Se hai dubbi, affida il casting al modello

Lasciare la voce non impostata funziona davvero: il modello sceglie quella adatta al contenuto. Conta soprattutto in modalità istruzioni, dove ha scritto anche il copione. Fissa una voce preimpostata quando ti serve la stessa voce tra più versioni.

Velocità per il ritmo, intonazione per il personaggio

Non cercare di regolare il ritmo nel prompt quando un controllo lo fa meglio: da 1.1 a 1.2x per spot serrati, 0.9x per le meditazioni. Una variazione di intonazione da ±2 a ±3 semitoni cambia il peso del personaggio mantenendo riconoscibile la voce; ±12 equivale a un'ottava intera e l'effetto diventa subito da cartone animato.

Calcola il budget al secondo

A 0.1 crediti al secondo, una clip da 30 secondi costa 3 crediti. L'importo bloccato inizialmente viene stimato dalla lunghezza del prompt e ricalcolato sulla durata reale al termine. Se un prompt di istruzioni produce una scena lunga, viene addebitata la differenza; se la stima era eccessiva, la differenza viene restituita.

Guida alle impostazioni

ImpostazioneValoriNote
promptup to 2,048 charsTesto da recitare (tra virgolette) o istruzioni per la scena. Da @Audio1 a @Audio3 per richiamare le clip caricate.
voicepreset name or cloned idOmetti per lasciare che il modello scelga la voce. 20 voci preimpostate in 6 lingue.
audio_urlsup to 3 URLs (API)30s / 10MB ciascuna, wav / mp3 / pcm / ogg_opus. Non utilizzabile insieme a image_url.
image_url1 URL (API)jpeg / png / webp fino a 10MB. In alternativa ai riferimenti audio.
output_formatmp3 · wav · pcm · ogg_opusmp3 predefinito. wav/pcm per i flussi di montaggio.
sample_rate8k–48k Hz24.000 Hz predefiniti: adatti alla maggior parte dei lavori vocali.
speed0.5–2.01.0 normale. 1.1x rende più serrata la lettura degli spot.
volume0.5–2.0Lascia a 1, salvo quando devi allineare il volume a un audio esistente.
pitch-12 to +12 semitones±2-3 per dare più o meno corpo alla voce del personaggio; ±12 corrisponde a un'ottava intera.
Costo0.1 credits / secondCrediti riservati in base a una stima della durata ricavata dalla lunghezza del prompt, con addebito finale sulla durata esatta dell'output.

FAQ

Paghi 0.1 crediti per secondo di audio finale. All'invio viene bloccata una stima basata sulla lunghezza del prompt; quando la clip è pronta, l'addebito viene ricalcolato sulla durata esatta. Per gli audio più lunghi viene addebitata la differenza, per quelli più brevi viene rimborsata automaticamente.