Skip to main content

Seed Audio プロンプト ガイド 1.0

Seed Audio 1.0。
プロンプトひとつで、音声シーンが完成。

Seed Audio プロンプト ガイドで、ByteDanceのテキスト音声生成モデルSeed Audio 1.0を使いこなしましょう。台本を渡せばそのまま読み上げ、「深夜のサスペンスラジオドラマ」のようにシーンを指示すれば、声もテンポも空気感も丸ごと生成します。20種類のプリセット音声、参照クリップからのボイスクローンに対応。速度・音量・ピッチも調整できます。料金は生成音声1秒あたり0.1クレジットです。

概要

Seed Audio 1.0には2つのモードがあり、その使い分けがプロンプトの鍵です。台本モードでは、読ませたい言葉を二重引用符で囲んで渡すと、選んだ声でそのまま読み上げます。指示モードでは、「AIツールを紹介する番組向けに、勢いのあるポッドキャストのイントロを生成して」のように要望を伝えるだけ。台本、話し方、演出の雰囲気まで、モデルがひとつの音声作品に仕上げます。

声の選び方は3通り。20種類のプリセットから名前で選ぶ方法(kian_en_zh、vivi_mixed_en_zh_ja_es_id、monkey_king_zhなど)、声を指定せずプロンプトに合う配役をモデルに任せる方法、そしてボイスクローンです。クローンする場合はAPIで最大3つの参照クリップを渡し、プロンプト内で@Audio1〜@Audio3として指定します。

料金は完成した音声1秒あたり0.1クレジットです。送信時にプロンプトの長さをもとに概算分が仮確保され、生成完了後に実際の音声の長さで精算されます。支払うのは、受け取った音声の分だけです。

20

プリセット音声

0.1 cr

生成音声1秒あたり

3

クローン用参照クリップ

主な機能

指示モード

音声シーン生成

最大の特長は、台本を書かずにシーンを伝えるだけでいいこと。ラジオドラマ、ポッドキャストのイントロ、音声広告、誘導瞑想まで、モデルが台本を作り、声を選び、内容に合ったテンポとトーンで演じます。短い指示から、驚くほど完成度の高い音声作品が生まれます。

声選びはモデルにお任せも

20種類のプリセット音声

名前で選べるプリセットは、英語、中国語、スペイン語、日本語、インドネシア語、ポルトガル語に対応。温かみのあるナレーターのkian_en_zh、多言語をこなすvivi_mixed_en_zh_ja_es_id、キャラクター性のあるmonkey_king_zhなどを用意しています。声を指定しなければ、モデルがプロンプトに合う声を選びます。

@Audio1参照 · API

ボイスクローン

APIのaudio_urlsで最大3つの参照クリップを渡し、プロンプト内で@Audio1、@Audio2、@Audio3として指定します。各クリップは30s / 10MBまで、形式はwav / mp3 / pcm / oggに対応。モデルが参照した声で音声を合成します。代わりに1枚の参照画像(image_url)で雰囲気を指定することもできます。音声と画像はどちらか一方のみで、併用はできません。

速度 · 音量 · ピッチ

話し方の調整

速度は0.5x〜2x、音量は0.5〜2、ピッチは±12半音で調整できます。速度でテンポを整え(広告なら1.1xで引き締まった読み上げに)、ピッチでキャラクターを演出します(悪役なら-3半音で低い声に)。既存の音声に音量を合わせる場合を除き、音量は1のままで使います。

EN · ZH · ES · JA · ID · PT

多言語・言語切り替え

多言語プリセットなら、文の途中で言語を切り替えても声はそのまま。プロンプト内に各言語を続けて書くだけです。vivi_mixed_en_zh_ja_es_idなどの声なら、1行に英語、スペイン語、中国語を混ぜても自然に読み上げます。

mp3 · wav · pcm · ogg

音声形式の指定

出力形式はmp3(デフォルト、最小サイズ)、wavまたはpcm(非圧縮、編集ワークフロー向け)、ogg_opusから選べます。サンプルレートは電話回線のような8 kHzから、制作向けの48 kHzまで。通常の音声制作には、デフォルトの24 kHzが適しています。

生成サンプル

各作例には、生成に使ったプロンプトをそのまま掲載しています。どのプロンプトもワンクリックでコピーできます。

サスペンスラジオドラマ

指示モード · 声は自動選択

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.

台本なし、指示だけで作るサンプルです。「サスペンスラジオドラマ」のようなジャンルに、舞台、登場人物、「窓を打つ雨」「緊迫感のある短い音楽」といった演出を1つか2つ添えます。モデルがシーン全体の台本を作り、演じます。

ドキュメンタリーナレーション

台本モード · 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."

台本モードでは、読ませたい台本を二重引用符で囲み、「温かみがあり、落ち着いたドキュメンタリーナレーター」のような話し方の指示は引用符の外に書きます。kian_en_zhのような安定感のあるプリセットと組み合わせれば、テイクを重ねても一貫した読み上げになります。

ポッドキャストのイントロ

指示モード · 声は自動選択

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.

固有名詞を引用符で囲む、指示モードの使い方です。番組名、ブランド名、タグラインは引用符で囲めばそのまま残り、それ以外をモデルが自由に組み立てます。「短いジングルのように」と添えれば、演出の方向性も指定できます。

キャラクターボイス

台本モード · 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?"

キャラクターの指示は、俳優への演出と同じです。「いたずら好きなファンタジーの悪役」のような役柄に、「ゆっくり、芝居がかった調子で」と話し方の指定を2つ添えます。ピッチを-2または-3半音にすると、声の個性を保ったまま凄みが増します。

20秒の音声広告

台本モード · mindy · 速度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."

広告の読み上げはテンポが命。「明るい20秒の音声広告」と形式を伝えて勢いを決め、速度を1.1xに上げれば、放送向けの引き締まった仕上がりになります。URLやブランド名も、特別なマークアップなしできれいに読み上げます。

文の途中で言語を切り替え

台本モード · 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。"

言語の切り替えには多言語プリセットを使います。viviなら英語、スペイン語、中国語をひと続きに、同じ声のまま読み上げます。話してほしいとおりに、各言語をプロンプト内へ続けて書いてください。

プロンプトのコツ

引用符でモードが決まる

二重引用符の中はそのまま読み上げられ、外側は演出指示になります。引用符がなければ指示として扱われ、モデルが台本を作ります。「次の文をXのように読んで: '…'」のように指示と台本を組み合わせると、狙った読み上げに最も安定して近づけられます。

俳優に伝えるように演出する

長い説明より、話し方を表す2つか3つの言葉が効きます。「温かく、落ち着いて」「ゆっくり、芝居がかった調子で」「明るく、テンポよく」。ナレーター、朝の番組の司会者、悪役などの役柄も添えると、演技全体の軸が定まります。

迷ったら声選びを任せる

声を指定しないのも、有効な選択です。モデルが内容に合う声を選びます。台本もモデルが作る指示モードでは、特に効果を発揮します。複数のテイクで同じ声を使いたいときは、プリセット名を指定しましょう。

テンポは速度、役作りはピッチ

設定で調整できるテンポを、プロンプトだけで直そうとする必要はありません。広告なら1.1〜1.2xで引き締め、瞑想なら0.9xに。ピッチを±2〜3半音動かすと、声の個性を残したままキャラクターの重みが変わります。±12は丸1オクターブなので、一気にアニメ的な声になります。

予算は秒数で考える

1秒あたり0.1クレジットなので、30秒のクリップは3クレジットです。送信時にプロンプトの長さから概算分を仮確保し、生成完了時に実際の長さで精算します。指示から長いシーンが生成されれば差額を追加精算し、見積もりが上回っていれば差額が戻ります。

設定リファレンス

設定値補足
promptup to 2,048 chars引用符で囲んだ台本、またはシーンの指示を入力します。@Audio1~@Audio3でアップロード済みのクリップを参照できます。
voicepreset name or cloned id省略するとモデルが声を選びます。6言語、20種類のプリセットに対応。
audio_urlsup to 3 URLs (API)各30s / 10MBまで。wav / mp3 / pcm / ogg_opusに対応。image_urlとの併用はできません。
image_url1 URL (API)jpeg / png / webp、最大10MB。音声リファレンスの代わりに指定できます。
output_formatmp3 · wav · pcm · ogg_opusデフォルトはmp3。編集ワークフローにはwav/pcmを指定します。
sample_rate8k–48k Hzデフォルトは24,000 Hz。ほとんどの音声制作に適しています。
speed0.5–2.01.0が標準。1.1xで広告ナレーションをテンポよく仕上げます。
volume0.5–2.0既存の音声に音量を合わせる場合を除き、1のままにします。
pitch-12 to +12 semitones±2~3でキャラクターの声の重みを調整。±12で1オクターブ変わります。
料金0.1 credits / secondプロンプトの長さから見積もったクレジットを一時確保し、実際の出力時間に合わせて精算します。

よくある質問

完成した音声1秒あたり0.1クレジットです。送信時にプロンプトの長さをもとに概算分を仮確保し、生成完了後に実際の長さで精算します。見積もりより長ければ差額を徴収し、短ければ差額を自動で返還します。