Skip to main content

Guia de prompts do Seed Audio 1.0

Seed Audio 1.0.
Um prompt. Uma cena de áudio com produção completa.

Guia de prompts do Seed Audio 1.0: conheça o modelo da ByteDance que transforma texto em áudio. Entregue um roteiro e ele dá voz ao texto. Ou descreva uma cena, como "uma radionovela de suspense na madrugada", e ele produz tudo: vozes, ritmo e atmosfera. São 20 vozes prontas, clonagem de voz a partir de áudios de referência e controles de velocidade, volume e tom. 0.1 créditos por segundo de áudio gerado.

Visão geral

O Seed Audio 1.0 funciona em dois modos. Entender a diferença é o segredo de um bom prompt. Modo literal: forneça as palavras exatas entre aspas e ele lê o texto com a voz que você escolher. Modo de instrução: descreva o que você quer, como "gere uma abertura de podcast animada para um programa sobre ferramentas de IA", e o modelo escreve e interpreta a peça inteira: roteiro, locução e até o estilo de produção.

Você tem três caminhos para escolher a voz. Selecione uma das 20 vozes prontas pelo nome (kian_en_zh, vivi_mixed_en_zh_ja_es_id, monkey_king_zh…), deixe a voz sem definir para o modelo escolher a ideal para o seu prompt ou clone uma voz enviando até três áudios de referência pela API e indicando-os no prompt como @Audio1 a @Audio3.

A cobrança é por segundo de áudio finalizado: 0.1 créditos por segundo. Ao enviar o pedido, um valor é reservado com base no tamanho do prompt. Quando o áudio fica pronto, a cobrança é ajustada à duração exata. Você só paga pelo áudio que recebe.

20

Vozes prontas

0.1 cr

Por segundo gerado

3

Áudios para clonagem

Principais recursos

Modo de instrução

Geração de cenas de áudio

O grande destaque: descreva uma cena em vez de escrever um roteiro. Radionovelas, aberturas de podcast, anúncios, meditações guiadas. O modelo escreve o conteúdo, escolhe a voz e interpreta tudo com ritmo e tom adequados. Instruções curtas rendem peças surpreendentemente completas.

Ou deixe o modelo escolher

20 vozes prontas

As vozes prontas incluem inglês, chinês, espanhol, japonês, indonésio e português. Vão de narradores acolhedores (kian_en_zh) a vozes multilíngues versáteis (vivi_mixed_en_zh_ja_es_id) e personagens como monkey_king_zh. Deixe a voz sem definir e o modelo escolhe uma que combine com o prompt.

Referências @Audio1 · API

Clonagem de voz

Envie até três áudios de referência (30s / 10MB cada, wav / mp3 / pcm / ogg) pelo campo audio_urls na API. Depois, indique-os no prompt como @Audio1, @Audio2, @Audio3. O modelo gera o áudio com a voz de referência. Você também pode usar uma única imagem de referência (image_url) para orientar o clima: áudio ou imagem, nunca os dois juntos.

Velocidade · volume · tom

Controles de locução

A velocidade vai de 0.5x a 2x, o volume de 0.5 a 2 e o tom varia em ±12 semitons. Use a velocidade para ajustar o ritmo (1.1x deixa anúncios mais ágeis) e o tom para construir personagens (-3 semitons deixa a voz de um vilão mais grave). Mantenha o volume em 1, a menos que precise combinar com um áudio existente.

EN · ZH · ES · JA · ID · PT

Multilíngue + troca de idioma

As vozes prontas multilíngues trocam de idioma no meio da frase sem perder a identidade da voz. Escreva os idiomas juntos no prompt: inglês, espanhol e chinês na mesma linha soam naturais com uma voz como vivi_mixed_en_zh_ja_es_id.

mp3 · wav · pcm · ogg

Controle de formato

Gere em mp3 (padrão, menor tamanho), wav ou pcm (sem compressão, para fluxos de edição) ou ogg_opus. As taxas de amostragem vão de 8 kHz (som de linha telefônica) a 48 kHz (produção). O padrão de 24 kHz atende à maioria dos trabalhos de voz.

Áudios de exemplo

Cada exemplo mostra o prompt exato que gerou o resultado. Copie qualquer prompt com um clique.

Radionovela de suspense

Modo de instrução · voz automática

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.

Modo de instrução puro, sem roteiro. Defina o gênero ("radionovela de suspense"), o cenário, os personagens e um ou dois elementos de produção ("chuva batendo nas janelas", "vinheta musical de tensão"). O modelo escreve e interpreta a cena inteira.

Narração de documentário

Modo literal · 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."

No modo literal, o roteiro exato fica entre aspas e a direção da locução ("narrador de documentário acolhedor e pausado") fica fora delas. Combine essa direção com uma voz estável como kian_en_zh para manter a leitura consistente entre as tomadas.

Abertura de podcast

Modo de instrução · voz automática

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.

Modo de instrução com um nome próprio entre aspas. Nomes de programas, marcas e slogans entre aspas ficam intactos enquanto o modelo improvisa todo o resto. "Com clima de jingle curto" orienta o estilo de produção.

Voz de personagem

Modo literal · 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?"

Dirigir um personagem é como dirigir um ator: combine um arquétipo ("vilão travesso de fantasia") com duas indicações de interpretação ("lenta e teatral"). Reduza o tom em -2 ou -3 semitons para dar mais peso à ameaça sem mudar a voz.

Anúncio de 20 segundos

Modo literal · mindy · velocidade 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."

Anúncio pede ritmo: indicar o formato ("anúncio vibrante de 20 segundos") define a energia, e aumentar a velocidade para 1.1x dá à locução o ritmo enxuto de um comercial. URLs e nomes de marcas são lidos com clareza, sem marcação especial.

Troca de idioma na mesma frase

Modo literal · 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。"

A troca de idioma exige uma voz pronta multilíngue. A vivi passa pelo inglês, espanhol e chinês de uma vez, mantendo a mesma identidade vocal. Escreva os idiomas na sequência, exatamente como devem ser falados.

Dicas de prompts

As aspas definem o modo

O texto entre aspas duplas é falado palavra por palavra. Tudo o que fica fora delas é direção. Sem aspas, o prompt vira uma instrução e o modelo escreve o próprio roteiro. Combinar os dois ("Leia isto como X: '…'") é o padrão mais confiável para controlar a locução.

Dirija a voz como um ator

Duas ou três palavras de direção valem mais que um parágrafo de descrição: "acolhedor e pausado", "lento e teatral", "vibrante e rápido". Defina um arquétipo (narrador, apresentador de programa matinal, vilão) para dar uma base à interpretação.

Na dúvida, deixe o modelo escolher

Deixar a voz sem definir funciona muito bem. O modelo escolhe uma voz que combina com o conteúdo, o que faz ainda mais diferença no modo de instrução, em que ele também escreve o roteiro. Fixe uma voz pelo nome quando precisar manter a mesma voz entre as tomadas.

Velocidade dá ritmo. Tom cria personagem.

Não tente resolver o ritmo no prompt quando um controle faz isso melhor: 1.1 a 1.2x para anúncios mais ágeis, 0.9x para meditações. Ajustar o tom em ±2 a 3 semitons muda o peso do personagem sem descaracterizar a voz. Já ±12 equivale a uma oitava inteira e logo dá um efeito de desenho animado.

Calcule o custo por segundo

A 0.1 créditos por segundo, um áudio de 30 segundos custa 3 créditos. A reserva inicial é estimada pelo tamanho do prompt e ajustada à duração real quando o áudio fica pronto. Instruções que geram cenas longas cobram a diferença; estimativas acima do valor real devolvem o excedente.

Referência de ajustes

AjusteValoresObservações
promptup to 2,048 charsRoteiro (entre aspas) ou instrução de cena. @Audio1 a @Audio3 referenciam os clipes enviados.
voicepreset name or cloned idDeixe em branco para o modelo escolher a voz. 20 vozes predefinidas em 6 idiomas.
audio_urlsup to 3 URLs (API)30s / 10MB cada, wav / mp3 / pcm / ogg_opus. Não pode ser usado com image_url.
image_url1 URL (API)jpeg / png / webp de até 10MB. Alternativa às referências de áudio.
output_formatmp3 · wav · pcm · ogg_opusmp3 por padrão. wav/pcm para fluxos de edição.
sample_rate8k–48k Hz24.000 Hz por padrão, ideal para a maioria dos trabalhos de voz.
speed0.5–2.01.0 é a velocidade normal. 1.1x deixa a locução de anúncios mais ágil.
volume0.5–2.0Mantenha em 1, a menos que precise igualar o volume de um áudio existente.
pitch-12 to +12 semitones±2 a 3 para dar peso ao personagem; ±12 equivale a uma oitava inteira.
Custo0.1 credits / secondCréditos reservados com base na duração estimada a partir do prompt, com cobrança ajustada à duração exata do áudio gerado.

Perguntas frequentes

Você paga 0.1 créditos por segundo de áudio finalizado. Ao enviar o pedido, uma estimativa é reservada com base no tamanho do prompt. Quando o áudio fica pronto, a cobrança é ajustada à duração exata: áudios mais longos cobram a diferença; os mais curtos devolvem o excedente automaticamente.