Seed Audio 1.0 działa w dwóch trybach. Żeby dobrze pisać prompty, musisz znać różnicę. Tryb dosłowny: podajesz dokładny tekst do wypowiedzenia w cudzysłowie, a model odczytuje go wybranym głosem. Tryb instrukcji: opisujesz, czego chcesz, np. „wygeneruj energiczne intro do podcastu o narzędziach AI”, a model pisze i realizuje cały materiał: scenariusz, interpretację, a nawet oprawę produkcyjną.
Głos wybierzesz na trzy sposoby. Wskaż po nazwie jeden z 20 gotowych głosów (kian_en_zh, vivi_mixed_en_zh_ja_es_id, monkey_king_zh…), zostaw wybór modelowi, który dopasuje głos do promptu, albo sklonuj głos: prześlij przez API maksymalnie trzy nagrania referencyjne i odwołaj się do nich w prompcie jako @Audio1 do @Audio3.
Płacisz za każdą sekundę gotowego audio: 0,1 kredytu za sekundę. Przy wysłaniu zadania rezerwowana jest kwota oszacowana na podstawie długości promptu. Po wygenerowaniu nagrania rozliczenie zostaje dopasowane do jego dokładnej długości. Płacisz tylko za audio, które otrzymasz.