跳到主要内容

Seed Audio 1.0

BytePlus 的全能音频模型 —— 用自然语言描述声音、音色或演绎方式,也可以用参考音频和参考图像来引导。有声书、配音、游戏音频、氛围设计;单次最长 2 分钟。

能力​

特性支持情况
文生音频支持
参考音频最多 3 段（每段 ≤30 秒）—— 音色与演绎风格引导
参考图像1 张 —— 模型读取画面情绪/场景
预置音色精选音色库（40 个音色）
最长时长120 秒
多用途语音、音效、氛围、配乐底一网打尽

参考音频引导​

连接最多 3 段音频（每段 ≤30 秒),模型把它们作为输出的风格参照 —— 整体声音气质、节奏与演绎方式:

用与参考一致的演绎方式朗读:"探险队黎明时分登上山脊,
山下的景象改变了一切。"

参考素材越足（3×30 秒预算内),风格匹配越稳定。不带参考音频的语音生成,请直接从内置音色库选音色。

图像引导音频​

附加一张图像,Seed Audio 会为它配声 —— 连一张雨夜街景照片,要"这个场景的环境音"。很适合给已生成的画面配对味的声音。

一个模型,四种活​

任务提示词写法
配音 / 有声书引号里的台词 + 演绎说明（"温暖、不疾不徐、带一丝笑意"）
音效描述事件:"厚重橡木门砰然关上,石厅混响"
氛围描述空间:"夜市,远处人声,炒锅滋滋作响"
配乐底像音乐模型一样给风格 + 情绪 + 配器

提示词技巧​

  • 导演演绎,不只是文本。 语速、情绪、停顿:"读得很慢,最后一个词略带哽咽"。
  • 参考片段要干净。 没有音乐/噪声的纯人声,风格匹配稳定得多。
  • 长稿分段。 单次 120 秒 —— 章节拆开跑,保持同一组参考连接,跨段声音就一致。

局限​

  • 单次生成上限 120 秒
  • 每段参考音频上限 30 秒
  • 无种子 / 不可复现

另请参阅​