Skip to main content

Seed Audio 1.0 poradnik promptowania

Seed Audio 1.0.
Jeden prompt. Gotowa scena audio.

Seed Audio 1.0 poradnik promptowania: poznaj model ByteDance, który zamienia tekst w audio. Podaj scenariusz, a go odczyta. Opisz scenę, np. „nocne słuchowisko z dreszczykiem”, a stworzy całość: głosy, tempo i atmosferę. Masz do dyspozycji 20 gotowych głosów, klonowanie głosu z nagrań referencyjnych oraz kontrolę szybkości, głośności i wysokości głosu. Koszt: 0,1 kredytu za sekundę wygenerowanego audio.

Przegląd

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.

20

Gotowe głosy

0,1 kr

Za sekundę audio

3

Nagrania do klonowania

Główne funkcje

Tryb instrukcji

Generowanie scen audio

Najważniejsza funkcja: opisz scenę zamiast pisać scenariusz. Słuchowiska, intra do podcastów, spoty reklamowe, medytacje prowadzone. Model pisze tekst, dobiera głos i realizuje nagranie z odpowiednim tempem i tonem. Krótka instrukcja wystarczy, by powstał zaskakująco kompletny materiał.

Lub wybór głosu przez model

20 gotowych głosów

Gotowe głosy obejmują angielski, chiński, hiszpański, japoński, indonezyjski i portugalski. Od ciepłych narratorów (kian_en_zh), przez wszechstronne głosy wielojęzyczne (vivi_mixed_en_zh_ja_es_id), po postacie takie jak monkey_king_zh. Nie wybieraj głosu, a model sam dopasuje go do promptu.

Referencje @Audio1 · API

Klonowanie głosu

Prześlij przez parametr audio_urls w API maksymalnie trzy nagrania referencyjne (każde 30s / 10MB, wav / mp3 / pcm / ogg), a potem wskaż je w prompcie jako @Audio1, @Audio2, @Audio3. Model wygeneruje mowę wskazanym głosem. Zamiast nagrań możesz podać jeden obraz referencyjny (image_url), by nadać klimat. Wybierz jedno albo drugie, nie oba naraz.

Szybkość · głośność · wysokość

Kontrola sposobu mówienia

Szybkość ustawisz od 0,5x do 2x, głośność od 0,5 do 2, a wysokość głosu zmienisz o ±12 półtonów. Szybkością steruj tempem (1,1x nadaje reklamom zwartość), wysokością buduj postać (-3 półtony pogłębiają głos złoczyńcy). Głośność zostaw na 1, chyba że dopasowujesz nagranie do istniejącego audio.

EN · ZH · ES · JA · ID · PT

Wiele języków w jednym nagraniu

Wielojęzyczne głosy przełączają języki w środku zdania bez zmiany brzmienia głosu. Wpisz różne języki bezpośrednio w tekst promptu. Angielski, hiszpański i chiński w jednej linijce zabrzmią naturalnie z głosem takim jak vivi_mixed_en_zh_ja_es_id.

mp3 · wav · pcm · ogg

Wybór formatu

Eksportuj jako mp3 (domyślny, najmniejszy), wav lub pcm (bez kompresji, do dalszej obróbki) albo ogg_opus. Częstotliwość próbkowania wynosi od 8 kHz (brzmienie rozmowy telefonicznej) do 48 kHz (do produkcji). Domyślne 24 kHz sprawdza się w większości nagrań głosowych.

Przykłady audio

Przy każdym przykładzie znajdziesz dokładny prompt, który dał ten efekt. Skopiuj dowolny prompt jednym kliknięciem.

Słuchowisko z dreszczykiem

Tryb instrukcji · automatyczny dobór głosu

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.

Czysty tryb instrukcji, bez gotowego scenariusza. Podaj gatunek („słuchowisko z dreszczykiem”), miejsce akcji, postacie i jeden lub dwa elementy oprawy („deszcz uderzający o szyby”, „krótki motyw muzyczny budujący napięcie”). Model napisze i zrealizuje całą scenę.

Narracja dokumentalna

Tryb dosłowny · 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."

Tryb dosłowny: dokładny tekst umieść w cudzysłowie, a wskazówki wykonawcze („ciepły, spokojny głos narratora dokumentalnego”) poza nim. Połączenie tych wskazówek ze stabilnym głosem, takim jak kian_en_zh, zapewnia spójne brzmienie kolejnych ujęć.

Intro do podcastu

Tryb instrukcji · automatyczny dobór głosu

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.

Tryb instrukcji z nazwą własną w cudzysłowie. Nazwy audycji, marek i hasła w cudzysłowie pozostają bez zmian, a model improwizuje całą resztę. Wskazówka „w stylu krótkiego dżingla” nadaje kierunek oprawie.

Głos postaci

Tryb dosłowny · 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?"

Kieruj postacią jak aktorem: podaj archetyp („przebiegły złoczyńca ze świata fantasy”) i dwa określenia sposobu mówienia („powoli i teatralnie”). Obniż wysokość o -2 lub -3 półtony, by głos brzmiał groźniej bez zmiany jego tożsamości.

20-sekundowy spot reklamowy

Tryb dosłowny · mindy · szybkość 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."

Reklama potrzebuje tempa. Nazwij format („pogodny 20-sekundowy spot reklamowy”), by nadać energię, i zwiększ szybkość do 1,1x, by uzyskać zwięzły, radiowy rytm. Adresy URL i nazwy marek są odczytywane poprawnie bez specjalnych oznaczeń.

Zmiana języka w środku zdania

Tryb dosłowny · 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。"

Do zmiany języka potrzebujesz głosu wielojęzycznego. vivi obsługuje angielski, hiszpański i chiński jednym tchem, zachowując to samo brzmienie głosu. Zapisz tekst w poszczególnych językach dokładnie tak, jak ma zostać wypowiedziany.

Wskazówki do promptów

Cudzysłów decyduje o trybie

Tekst w podwójnym cudzysłowie jest odczytywany słowo w słowo. Wszystko poza nim to wskazówki. Bez cudzysłowu prompt działa jak instrukcja, a model pisze własny scenariusz. Połączenie obu („Przeczytaj to jako X: '…'”) to najbardziej niezawodny sposób na kontrolę nad odczytem.

Reżyseruj głos jak aktora

Dwa lub trzy określenia sposobu mówienia działają lepiej niż cały akapit opisu: „ciepło i spokojnie”, „powoli i teatralnie”, „pogodnie i szybko”. Wskaż archetyp (narrator, prowadzący poranną audycję, złoczyńca), by nadać ton całemu wykonaniu.

Nie wiesz jaki głos? Zostaw wybór modelowi

Pozostawienie wyboru modelowi naprawdę działa. Dobiera głos do materiału, co ma szczególne znaczenie w trybie instrukcji, w którym sam pisze też scenariusz. Wybierz konkretny głos, gdy potrzebujesz identycznego brzmienia w kolejnych ujęciach.

Szybkość nadaje tempo, wysokość buduje postać

Nie poprawiaj tempa promptem, gdy lepiej zrobi to ustawienie: od 1,1 do 1,2x dla zwartych reklam, 0,9x dla medytacji. Zmiana wysokości o ±2 do 3 półtonów zmienia charakter postaci, ale głos pozostaje rozpoznawalny. ±12 to pełna oktawa i szybka droga do kreskówkowego brzmienia.

Planuj budżet na sekundy

Przy stawce 0,1 kredytu za sekundę nagranie o długości 30 sekund kosztuje 3 kredyty. Początkowa rezerwacja jest szacowana z długości promptu, a po zakończeniu dopasowywana do rzeczywistej długości nagrania. Długie sceny z promptów instrukcyjnych wymagają dopłaty, a nadwyżka z zawyżonych szacunków wraca do ciebie.

Ustawienia

UstawienieWartościUwagi
promptup to 2,048 charsTekst do odczytania (w cudzysłowie) lub opis sceny. @Audio1-@Audio3 odwołują się do przesłanych nagrań.
voicepreset name or cloned idPomiń, by model sam dobrał głos. 20 gotowych głosów w 6 językach.
audio_urlsup to 3 URLs (API)Każde nagranie: 30s / 10MB, wav / mp3 / pcm / ogg_opus. Nie można łączyć z image_url.
image_url1 URL (API)jpeg / png / webp do 10MB. Zamiast nagrań referencyjnych.
output_formatmp3 · wav · pcm · ogg_opusDomyślnie mp3. wav/pcm do dalszej edycji.
sample_rate8k–48k HzDomyślnie 24,000 Hz. Sprawdza się w większości nagrań głosowych.
speed0.5–2.01.0 to normalne tempo. 1.1x przyspiesza teksty reklamowe.
volume0.5–2.0Zostaw 1, chyba że dopasowujesz głośność do istniejącego nagrania.
pitch-12 to +12 semitones±2-3 zmienia ciężar głosu postaci; ±12 to pełna oktawa.
Koszt0.1 credits / secondKredyty są rezerwowane na podstawie szacowanej długości promptu, a rozliczane według dokładnego czasu trwania wygenerowanego nagrania.

FAQ

Płacisz 0,1 kredytu za sekundę gotowego audio. Przy wysłaniu zadania rezerwowana jest szacowana kwota na podstawie długości promptu. Gdy nagranie jest gotowe, opłata zostaje dopasowana do jego dokładnej długości. Za dłuższe nagranie pobierana jest różnica, a za krótsze otrzymujesz automatyczny zwrot.