音訊場景生成
最亮眼的本事:不用寫腳本,描述場景就好。廣播劇、Podcast 開場、廣告、引導冥想,模型會撰寫內容、挑選聲音,再以合適的節奏與語氣演繹。簡短指令,也能做出完整度驚人的作品。
Seed Audio 1.0 提示詞指南
Seed Audio 1.0 提示詞指南,帶你掌握 ByteDance 的文字轉音訊模型。給它腳本,就能開口念;給它場景指令,例如「深夜懸疑廣播劇」,就能包辦聲音、節奏與氛圍。內建 20 種預設聲音,支援透過參考音檔複製聲音,還能控制語速、音量與音高。每秒輸出音訊只需 0.1 點數。
Seed Audio 1.0 有兩種模式,分清楚,提示詞才下得準。逐字模式:把要念的完整台詞放進引號,它就會用你選的聲音逐字朗讀。指令模式:描述你想要的內容,例如「為一個介紹 AI 工具的節目,生成活力十足的 Podcast 開場」,模型就會包辦腳本、演繹,連製作氛圍都一手完成。
聲音有三種選法。指定 20 種預設聲音之一,例如 kian_en_zh、vivi_mixed_en_zh_ja_es_id、monkey_king_zh;不設定聲音,讓模型依提示詞挑選;或透過 API 傳入最多三段參考音檔,再在提示詞中以 @Audio1 至 @Audio3 指定,複製參考聲音。
依完成音訊的秒數計費,每秒 0.1 點數。送出時會根據提示詞長度預扣點數,生成完成後再按實際時長結算。你只為實際拿到的音訊付費。
20
預設聲音
0.1 點數
每秒輸出音訊
3
聲音複製參考音檔
最亮眼的本事:不用寫腳本,描述場景就好。廣播劇、Podcast 開場、廣告、引導冥想,模型會撰寫內容、挑選聲音,再以合適的節奏與語氣演繹。簡短指令,也能做出完整度驚人的作品。
具名預設聲音涵蓋英語、中文、西班牙語、日語、印尼語與葡萄牙語。從溫暖旁白 kian_en_zh、多語全能型 vivi_mixed_en_zh_ja_es_id,到 monkey_king_zh 這類角色聲音都有。不設定聲音,模型就會挑選符合提示詞的聲音。
透過 API 的 audio_urls 傳入最多三段參考音檔,每段上限 30s / 10MB,格式為 wav / mp3 / pcm / ogg,再於提示詞中以 @Audio1、@Audio2、@Audio3 引用。模型就會用參考聲音合成音訊。也能改用單張參考圖片(image_url)引導氛圍,音檔與圖片只能擇一,不能同時使用。
語速範圍為 0.5x 至 2x,音量為 0.5 至 2,音高可調整 ±12 個半音。用語速掌握節奏,例如 1.1x 讓廣告口播更俐落;用音高塑造角色,例如 -3 個半音讓反派聲線更低沉。除非要配合既有音訊,否則音量維持 1 即可。
多語預設聲音能在句中切換語言,同時維持一致聲線。直接在提示詞中混用語言即可。像 vivi_mixed_en_zh_ja_es_id 這類聲音,能自然念出同一句裡的英語、西班牙語與中文。
可輸出為 mp3(預設,檔案最小)、wav 或 pcm(無壓縮,適合後製流程),或 ogg_opus。取樣率從 8 kHz(電話音質感)到 48 kHz(製作用音質)皆可選。預設的 24 kHz 就適合多數語音作品。
每個範例都附上生成該成果的完整提示詞,一鍵就能複製。
指令模式 · 自動選聲
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.
純指令模式,不必提供腳本。指定類型,例如「懸疑廣播劇」,再交代場景、角色,以及一兩個製作重點,例如「雨打窗戶聲」、「緊張的短促配樂」。模型就會寫出並演出整段場景。
逐字模式 · 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."
逐字模式:完整腳本放在引號內,演繹指示放在引號外,例如「溫暖、沉穩的紀錄片旁白」。搭配 kian_en_zh 這類穩定的預設聲音,能讓每次生成的口吻保持一致。
指令模式 · 自動選聲
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.
指令模式搭配引號內的專有名詞。節目名稱、品牌名稱與標語放進引號,就能原樣保留,其餘內容交給模型自由發揮。加上「帶有短版節目音樂的感覺」,就能引導製作風格。
逐字模式 · 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?"
下角色指令,就像指導演員:先給角色類型,例如「狡黠的奇幻反派」,再加上兩個演繹關鍵字,例如「緩慢、戲劇化」。音高再降低 -2 或 -3 個半音,不換聲音,也能更有壓迫感。
逐字模式 · mindy · 1.1x 語速
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."
廣告口播,節奏要到位。指定形式,例如「明亮有活力的 20 秒廣告」,就能定下能量;語速調至 1.1x,則能做出廣播廣告的俐落感。網址與品牌名稱不需特殊標記,也能清楚念出。
逐字模式 · 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。"
語言切換要用多語預設聲音。vivi 能一口氣念出英語、西班牙語與中文,維持同一個聲音辨識度。想怎麼念,就把各種語言直接照順序寫在同一段。
雙引號內的文字會逐字念出,引號外則是演繹指示。完全不加引號,就會視為指令,由模型自行撰寫腳本。把兩者結合,例如「用 X 的方式念出:'…'」,是精準掌控朗讀最可靠的寫法。
兩三個演繹關鍵字,比一整段描述更有用,例如「溫暖、沉穩」、「緩慢、戲劇化」、「明亮、快速」。再指定角色類型,像是旁白、晨間節目主持人或反派,就能定下整體表演方向。
不設定聲音,其實很好用。模型會依內容挑選合適的聲音,尤其在連腳本都由它撰寫的指令模式更重要。需要多次生成都維持同一聲音時,再固定使用具名預設聲音。
設定能做得更好,就別只靠提示詞調節奏。廣告用 1.1 至 1.2x 更俐落,冥想用 0.9x 更舒緩。音高調整 ±2 至 3 個半音,就能改變角色的分量感,同時保留聲音辨識度;±12 則是整整一個八度,很快就會變得卡通化。
每秒 0.1 點數,一段 30 秒音訊就是 3 點數。送出時依提示詞長度預估並預扣點數,完成後再按實際時長結算。指令生成的場景較長,就補扣差額;預估過高,就退回多扣的點數。
| 設定 | 數值 | 說明 |
|---|---|---|
| prompt | up to 2,048 chars | 輸入腳本(以引號括住)或場景指令。使用 @Audio1 至 @Audio3 引用已上傳的音檔。 |
| voice | preset name or cloned id | 留空即可讓模型自動選角。提供 20 種預設聲線,涵蓋 6 種語言。 |
| audio_urls | up to 3 URLs (API) | 每段上限 30s / 10MB,支援 wav / mp3 / pcm / ogg_opus。不可與 image_url 同時使用。 |
| image_url | 1 URL (API) | 支援 jpeg / png / webp,上限 10MB。可取代參考音檔使用。 |
| output_format | mp3 · wav · pcm · ogg_opus | 預設為 mp3。剪輯工作流程可選用 wav/pcm。 |
| sample_rate | 8k–48k Hz | 預設為 24,000 Hz,適合多數語音製作。 |
| speed | 0.5–2.0 | 1.0 為正常語速。1.1x 讓廣告口播更緊湊。 |
| volume | 0.5–2.0 | 維持 1 即可,需配合現有音訊音量時再調整。 |
| pitch | -12 to +12 semitones | ±2 到 3 可調整角色聲線的厚重感;±12 則是完整的一個八度。 |
| 費用 | 0.1 credits / second | 先依提示詞長度估算並預扣點數,再按實際輸出時長精準結算。 |
依完成音訊每秒 0.1 點數計費。送出時,系統會根據提示詞長度預扣預估點數;音訊完成後,再按實際時長結算。輸出較長就補扣差額,較短則自動退回。
雙引號內的文字會逐字念出。不加引號時,提示詞就會視為創作需求:模型會撰寫腳本、挑選聲音(若你未指定),並完成演繹。兩者也能搭配使用,引號外寫指示,引號內放要原樣念出的文字。
透過 API,在 audio_urls 傳入最多三段參考音檔,每段最長 30 秒、最大 10MB,格式可用 wav、mp3、pcm 或 ogg_opus,再於提示詞中以 @Audio1、@Audio2、@Audio3 引用。只複製你有權使用的聲音。
預設聲音涵蓋英語、中文、西班牙語、日語、印尼語與葡萄牙語,也有能在句中切換語言的多語預設。若只用單一語言,選擇對應預設聲音最自然,例如中文可用 felix_zh。
可以,使用你的 API 金鑰呼叫 POST /api/v1/models/seed-audio/run。完整參數說明與可直接執行的範例都在 API 平台頁面。目前透過 audio_urls 複製聲音的功能僅限 API 使用。
可以。你在 PixelDojo 生成的音訊,可依標準內容政策用於商業用途。若使用複製聲音,請確保你擁有參考錄音的使用權。