Skip to main content

Seed Audio 1.0 promptguide

Seed Audio 1.0.
Én prompt. En ferdigprodusert lydscene.

Seed Audio 1.0 promptguide: Bli kjent med ByteDances tekst-til-lyd-modell. Gi den et manus, så leser den det opp. Eller beskriv en scene, som «et spennende hørespill sent på kvelden», så lager den hele pakken: stemmer, tempo og atmosfære. 20 forhåndsinnstilte stemmer, stemmekloning fra referanseklipp og kontroll over hastighet, volum og tonehøyde. 0.1 kreditter per sekund ferdig lyd.

Oversikt

Seed Audio 1.0 har to moduser. Å kjenne forskjellen er nøkkelen til gode prompter. Ordrett modus: Gi modellen nøyaktig det den skal si, med manuset i anførselstegn, så leser den det med stemmen du velger. Instruksjonsmodus: Beskriv det du vil ha, som «lag en energisk podkastintro for et program om AI-verktøy», så skriver og fremfører modellen hele innslaget: manus, stemmebruk og produksjonspreg.

Du har tre valg for stemmer. Velg én av 20 forhåndsinnstillinger ved navn (kian_en_zh, vivi_mixed_en_zh_ja_es_id, monkey_king_zh…), la stemmevalget stå åpent så modellen finner den rette til prompten, eller klon en stemme ved å sende opptil tre referanseklipp via API og vise til dem i prompten som @Audio1 til @Audio3.

Du betaler per sekund ferdig lyd: 0.1 kreditter per sekund. Når du sender inn, reserveres et beløp basert på promptlengden. Dette justeres til den nøyaktige varigheten når klippet er ferdig. Du betaler bare for lyden du får.

20

Forhåndsinnstilte stemmer

0.1 cr

Per sekund ferdig lyd

3

Referanseklipp til kloning

Nøkkelfunksjoner

Instruksjonsmodus

Generering av lydscener

Hovedfunksjonen: Beskriv en scene i stedet for å skrive et manus. Hørespill, podkastintroer, reklamespotter og guidede meditasjoner. Modellen skriver innholdet, velger stemmen og fremfører det med passende tempo og tone. Korte instruksjoner gir overraskende komplette innslag.

Eller la modellen velge

20 forhåndsinnstilte stemmer

De navngitte forhåndsinnstillingene dekker engelsk, kinesisk, spansk, japansk, indonesisk og portugisisk. Fra varme fortellerstemmer (kian_en_zh) til flerspråklige allroundere (vivi_mixed_en_zh_ja_es_id) og karakterer som monkey_king_zh. Lar du stemmevalget stå åpent, velger modellen en som passer prompten.

@Audio1-referanser · API

Stemmekloning

Send opptil tre referanseklipp (30s / 10MB hver, wav / mp3 / pcm / ogg) via audio_urls i API, og vis til dem i prompten som @Audio1, @Audio2, @Audio3. Modellen lager lyd med stemmen fra referansen. Ett referansebilde (image_url) kan styre stemningen i stedet. Bruk enten lyd eller bilde, ikke begge.

Hastighet · volum · tonehøyde

Kontroll over fremføringen

Hastigheten går fra 0.5x til 2x, volumet fra 0.5 til 2, og tonehøyden kan justeres ±12 halvtoner. Bruk hastighet til å styre tempoet (1.1x strammer opp reklameinnlesninger) og tonehøyde til karakterstemmer (-3 halvtoner gir en skurk mørkere stemme). La volumet stå på 1 med mindre du skal matche eksisterende lyd.

EN · ZH · ES · JA · ID · PT

Flerspråklighet og språkbytte

Flerspråklige forhåndsinnstillinger bytter språk midt i setningen uten at stemmen endres. Skriv språkene fortløpende i prompten. Engelsk, spansk og kinesisk på én linje høres naturlig ut med en stemme som vivi_mixed_en_zh_ja_es_id.

mp3 · wav · pcm · ogg

Formatvalg

Eksporter som mp3 (standard, minst filstørrelse), wav eller pcm (ukomprimert, for redigeringsflyter), eller ogg_opus. Samplingsfrekvenser fra 8 kHz (telefonpreg) til 48 kHz (produksjon). Standardvalget 24 kHz passer til det meste av stemmearbeid.

Eksempelklipp

Hvert eksempel viser den nøyaktige prompten som ga resultatet. Kopier hvilken som helst prompt med ett klikk.

Spenningshørespill

Instruksjonsmodus · automatisk stemmevalg

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.

Ren instruksjonsmodus, uten ferdig manus. Oppgi sjanger («spenningshørespill»), sted, rollefigurer og én eller to produksjonsdetaljer («regn mot vinduene», «en kort, spenningsladet musikkmarkør»). Modellen skriver og fremfører hele scenen.

Dokumentarforteller

Ordrett modus · 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."

Ordrett modus: Det nøyaktige manuset står i anførselstegn, mens instruksjonen for fremføringen («varm, avmålt dokumentarforteller») står utenfor. Kombiner instruksjonen med en stabil forhåndsinnstilling som kian_en_zh for jevn innlesning på tvers av opptak.

Podkastintro

Instruksjonsmodus · automatisk stemmevalg

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.

Instruksjonsmodus med egennavn i anførselstegn. Programnavn, merkenavn og slagord i anførselstegn beholdes uendret, mens modellen improviserer alt rundt dem. «Med preg av en kort jingle» styrer produksjonsstilen.

Karakterinnlesning

Ordrett modus · 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?"

Regi for karakterstemmer fungerer som skuespillerregi: en arketype («rampete fantasyskurk») pluss to ord om fremføringen («sakte og teatralsk»). Senk tonehøyden med -2 eller -3 halvtoner for et mer truende uttrykk uten å endre stemmen.

Reklamespott på 20 sekunder

Ordrett modus · mindy · 1.1x hastighet

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."

Reklameinnlesninger trenger tempo. Oppgi formatet («frisk reklamespott på 20 sekunder») for å sette energien, og øk hastigheten til 1.1x for en stram radioreklamefølelse. Nettadresser og merkenavn leses tydelig uten spesiell formatering.

Språkbytte midt i setningen

Ordrett modus · 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。"

Språkbytte krever en flerspråklig forhåndsinnstilling. vivi håndterer engelsk, spansk og kinesisk i samme åndedrag med samme stemmeidentitet. Skriv språkene fortløpende, akkurat slik de skal sies.

Prompttips

Anførselstegn avgjør modusen

Tekst i doble anførselstegn leses ordrett. Alt utenfor er regi. Uten anførselstegn tolkes prompten som en instruksjon, og modellen skriver sitt eget manus. Kombinasjonen («Les dette som X: '…'») er det mest pålitelige mønsteret når du vil styre innlesningen.

Gi regi som til en skuespiller

To eller tre ord om fremføringen slår et helt avsnitt med beskrivelser: «varmt og avmålt», «sakte og teatralsk», «friskt og raskt». Oppgi en arketype, som forteller, morgenprogramleder eller skurk, for å forankre hele fremføringen.

La modellen velge når du er usikker

Å la stemmevalget stå åpent fungerer godt. Modellen velger en stemme som passer innholdet, noe som er særlig viktig i instruksjonsmodus, der den også skriver manuset. Lås en navngitt forhåndsinnstilling når du trenger samme stemme på tvers av opptak.

Hastighet for tempo, tonehøyde for karakter

Ikke styr tempoet i prompten når en innstilling gjør jobben bedre: 1.1 til 1.2x for stram reklame, 0.9x for meditasjoner. En justering på ±2 til 3 halvtoner endrer karakterens tyngde, men holder stemmen gjenkjennelig. ±12 er en hel oktav og blir fort tegnefilmaktig.

Budsjetter per sekund

Med 0.1 kreditter per sekund koster et klipp på 30 sekunder 3 kreditter. Reservasjonen ved innsending beregnes ut fra promptlengden og justeres til faktisk varighet når klippet er ferdig. Instruksjonsprompter som gir lange scener, belastes for differansen. For høye anslag tilbakeføres.

Innstillinger

InnstillingVerdierMerknader
promptup to 2,048 charsManus (i anførselstegn) eller scenebeskrivelse. @Audio1 til @Audio3 viser til opplastede klipp.
voicepreset name or cloned idLa stå tomt for å la modellen velge stemme. 20 forhåndsinnstilte stemmer på 6 språk.
audio_urlsup to 3 URLs (API)30s / 10MB per klipp, wav / mp3 / pcm / ogg_opus. Kan ikke kombineres med image_url.
image_url1 URL (API)jpeg / png / webp opptil 10MB. Alternativ til lydreferanser.
output_formatmp3 · wav · pcm · ogg_opusmp3 som standard. wav/pcm for videre redigering.
sample_rate8k–48k Hz24 000 Hz som standard. Passer til det meste av stemmearbeid.
speed0.5–2.01,0 er normal hastighet. 1,1x gir strammere reklameinnlesninger.
volume0.5–2.0La stå på 1 med mindre du skal matche eksisterende lyd.
pitch-12 to +12 semitones±2 til 3 for tyngde i karakterstemmen; ±12 er en hel oktav.
Kostnad0.1 credits / secondKreditter reserveres ut fra estimert lengde basert på prompten, og avregnes etter den nøyaktige lydlengden.

Vanlige spørsmål

Du betaler 0.1 kreditter per sekund ferdig lyd. Ved innsending reserveres et anslag basert på promptlengden. Når klippet er ferdig, justeres beløpet til den nøyaktige varigheten. Lengre klipp belastes for differansen, mens differansen for kortere klipp tilbakeføres automatisk.