Dengar Seed Audio 1.0
Narasi dokumenter
Suara, hangat dan tenang
Voice-over thriller
Suara, berbisik dan tegang
Suasana pasar rempah
Efek suara, latar udara terbuka
Badai petir
Efek suara, badai hingga petir menggelegar
Musik orkestra
Musik, string dan brass yang meninggi
Beat lo-fi
Musik, kunci lembut dan nuansa vinyl
Kegunaan Seed Audio 1.0
Audio video sekali proses
Beri sebuah klip narasi, desain suara, dan musiknya dalam satu proses. Jelaskan adegannya, siapa yang bicara, apa yang terjadi, dan suasananya, lalu model menangani seluruh track audionya.
Video penjelasan dan tutorial
Suara yang tertata dengan derau ruangan dan lapisan musik tipis dalam satu keluaran. Narasi membawa isinya, dan model mengisi ruang akustiknya agar terdengar berada di suatu tempat dan sudah jadi.
Iklan dan promo pendek
Satu baris dialog, efek suara, dan musik sebagai satu track siap pakai. Tulis pengaturan waktunya di prompt, dan model menekankan kata yang tepat lalu menurunkan musiknya pada saat yang pas.
Dialog bernaskah dan drama audio
Adegan multi-karakter dengan suara yang berbeda, pembawaan emosi yang tepat, dan ambience yang cocok, semuanya dalam satu prompt. Tulis naskahnya, jelaskan tiap suara, dan model memerankan serta mengarahkan.
Buku audio dan narasi panjang
Narasi, suara karakter, dan desain suara tanpa sesi studio, dengan biaya yang ByteDance taksir sekitar sepersepuluh rekaman manusia. Tentukan narator dari klip atau deskripsi, lalu kerjakan adegan demi adegan.
Sulih suara presisi per frame
Beri timecode pada tiap baris dan model menyesuaikan pembawaannya ke jendela waktu itu, agar dialog jatuh tepat di potongan, bukan di dekatnya. Berlaku di kedua puluh bahasa yang didukung.
Cara menulis prompt Seed Audio 1.0
Prompt yang kuat terbaca seperti brief adegan singkat, bukan seperti satu baris text-to-speech, sehingga model bisa menempatkan suara, musik, dan efek dalam satu adegan. Lewati SCENE sebelum mengirim.
| SCENE | Isi | Contoh |
|---|---|---|
| Situasi | Cuaca, tempat, konteks, akustik | Koridor sepulang sekolah, langkah di kejauhan, gaung |
| Casting | Apa yang dilakukan atau dipakai tiap karakter | Ransel di bahu, melambai dari pintu |
| Efek | Suasana dan genre musik, efek suara | Tabuhan genderang perang, brass rendah, “klak” loker |
| Nada suara | Gender, usia, aksen, emosi, nada, kecepatan | Remaja laki-laki, aksen Amerika, suara cerah dan pede |
| Ucapan | Apa yang dikatakan tiap karakter, dalam tanda kutip | “Hei, Emma, Sabtu kamu kosong?” |
Tiga kebiasaan yang memisahkan prompt kuat dari prompt generik.
Tulis panjang. Batasnya 3.000 karakter, dan contoh-contoh resminya memakai hampir semuanya. Deskripsi di sini bukan pengisi kosong: lingkungan, musik, dan pembawaan tiap karakter semuanya dirender oleh model, jadi tiap kalimat yang Anda potong adalah keputusan yang Anda serahkan kembali kepadanya.
Tuliskan bunyinya. Onomatope berhasil. Ritsleting ransel “zzzip”, bel sekolah “kring-kring” yang menjauh, “wung, wung” bilah membelah udara. Mengeja bunyinya lebih andal daripada menyebut namanya.
Samakan bahasanya. Tulis prompt dalam bahasa yang sama dengan dialog yang ingin diucapkan. Naskah berbahasa Indonesia dengan brief berbahasa Inggris adalah penyebab paling umum aksen yang terdengar janggal.
Bel sekolah “kring-kring” memudar dari dekat ke jauh, suasana koridor sepulang sekolah dengan langkah kaki di kejauhan, obrolan murid, sesekali “klak” loker, dan gaung koridor. Jake (remaja laki-laki, aksen Amerika, suara muda dan cerah, ceria dan pede) berkata dengan nada bercanda menggoda: “Hei, Emma, Sabtu kamu kosong? Aku traktir, ke taman hiburan yang baru itu!” Ritsleting ransel berbunyi “zzzip”. Emma (remaja perempuan, aksen Amerika, suara manis, lembut, dan ringan, pemalu) menurunkan suaranya, salah tingkah: “Eh… PR-ku belum selesai.” Jake membujuk, menyeret kata-katanya: “Kerjakan Minggu saja, cuma setengah hari kok!” Emma bergumam, mulai luluh: “Tapi… itu dikumpulkan Senin.” Jake berkata lembut: “Aku kerjakan bareng kamu, habis itu kita jalan, deal?” Emma tak tahan tertawa dan mengalah malu-malu: “Ya sudah, cuma setengah hari, ya?” Jake, girang: “Deal!” Diakhiri langkah kaki keduanya yang menjauh.
Mengatur waktu sampai per detik
Seed Audio 1.0 mendukung kontrol waktu presisi. Beri timecode di awal sebuah baris, dengan bentuk [awal:akhir], dan model akan menyesuaikan pembawaan baris itu ke jendela waktu tersebut. Model mempercepat, memperlambat, dan menempatkan jeda agar barisnya pas.
Ryan (laki-laki muda, suara hangat) memanggil dengan cemas, agak terengah: “[5.5s:8.0s] Maya! Tunggu, kamu benar-benar pergi malam ini?” Maya (perempuan muda, suara lembut) menjawab pelan, memaksa diri tetap tenang: “[8.5s:11.5s] Aku harus pergi. Bertahun-tahun aku mengejar ini, aku tidak bisa mundur sekarang.”
Inilah yang membuat model ini layak dipakai untuk sulih suara. Ambil titik masuk dan keluar tiap baris dari timeline Anda, tuliskan ke dalam prompt, dan track yang dikembalikan langsung jatuh di gambarnya tanpa perlu diregangkan atau dipotong. Tanpa timecode, model memberi adegannya tempo yang wajar.
Memilih suara dari audio referensi (TA2A)
Ada dua cara memasukkan suara ke dalam adegan. Pada T2A, Anda menjelaskannya dan model memerankannya. Pada TA2A, Anda mengunggah audio referensi dan suara yang dihasilkan mengikuti rekaman itu.
Ada juga mode kloning suara yang lebih sederhana, di luar pekerjaan adegan: unggah satu klip, dan suara hasil kloning itu tersedia untuk text-to-speech biasa. Pakai ini kalau Anda hanya butuh sebuah suara membacakan naskah. Beralihlah ke TA2A begitu suara itu harus berada dalam satu adegan bersama musik, efek, dan karakter lain.
TA2A menerima hingga tiga klip referensi berdurasi maksimal 30 detik. Kaitkan tiap klip ke satu karakter di dalam teksnya, agar model tahu suara mana milik pembicara mana, lalu tulis adegannya persis seperti pada T2A.
[Suara ambient jalanan: mobil lewat, obrolan di kejauhan, angin sepoi.] Marcus (suara laki-laki, halus dan percaya diri, nada penyiar yang hangat dan jenaka, artikulasi jelas, aktornya adalah <<TGT_SPK1>>), ceria dan mengundang, berkata: “Halo! Pertanyaan singkat, apa hal paling memalukan yang pernah kamu alami?” Tyler (suara laki-laki yang lebih muda, agak gugup, ekspresif dengan tawa kecil, aktornya adalah <<TGT_SPK2>>), mengeluarkan erangan panjang dan tawa getir, berkata: “Aduh, kamu TIDAK mau tahu. Ya sudah, tapi ini cuma antara kita.” Marcus (aktornya adalah <<TGT_SPK1>>), mencondongkan badan, penasaran, berkata: “Sekarang aku HARUS dengar. Ayo cerita.” [Keduanya tertawa terbahak; ambience jalanan menguat lalu memudar.]
Tiga hal yang harus jelas dalam prompt TA2A: konten apa yang akan dihasilkan, audio referensi mana yang dipakai, dan untuk apa tiap audio referensi itu. Klipnya dipilih lewat @Audio1, @Audio2, dan @Audio3, entah diunggah untuk pekerjaan saat ini atau diambil dari pustaka aset Anda dan dipakai ulang di sepanjang satu seri.
Petunjuk dalam kurung siku seperti [Suara ambient jalanan: mobil lewat, obrolan di kejauhan] adalah cara rapi untuk membuka dan menutup adegan tanpa mengikat bunyinya ke seorang pembicara.
Siapkan klip referensi dengan daftar periksa CLEAR:
- Rekaman bersih, dengan sedikit derau latar
- Durasi di bawah 30 detik per klip
- Emosi selaras dengan pembawaan yang Anda inginkan
- Aksen konsisten di dalam tiap klip
- Derau ruangan stabil di antara klip
Tanpa klip sama sekali, jelaskan suaranya lewat teks, sebutkan usia, aksen, dan kecepatannya alih-alih “enak” atau “profesional”. Gambar karakter juga bisa: model menurunkan suara yang cocok dari usia dan karakter yang tampak, berguna untuk pembicara fiktif atau animasi.
Cara memakai Seed Audio 1.0
Sampai ke track jadi butuh empat langkah.
- Tulis brief adegannya. Jelaskan latar, para pemeran, musik dan efeknya, tiap suara, dan dialognya, mengikuti daftar SCENE di atas. Maksimal 3.000 karakter.
- Tentukan suaranya. Jelaskan di prompt untuk T2A, atau unggah hingga tiga klip referensi dan kaitkan untuk TA2A. Gambar karakter juga bisa.
- Tambahkan waktunya kalau perlu. Beri timecode
[awal:akhir]pada baris yang harus jatuh di jendela waktu tertentu. - Hasilkan. Satu proses mengembalikan suara, musik, dan efek suara sekaligus, sudah dimix, hingga dua menit.
Untuk apa pun yang lebih dari dua menit, satu bab buku audio atau satu episode penuh, kerjakan adegan demi adegan dan pertahankan referensi suara yang sama antar proses agar pemerannya tetap konsisten.
FAQ
T2A, teks ke audio, membangun semuanya dari deskripsi Anda: lingkungan, musik, efek suara, dan suara tiap karakter. TA2A, teks plus audio ke audio, menambahkan hingga tiga rekaman referensi yang Anda kaitkan ke karakter tertentu, sehingga suara-suara itu mengikuti rekamannya alih-alih deskripsi tertulis. Selebihnya, promptnya sama.
Bisa. Di luar T2A dan TA2A ada mode kloning suara: unggah satu klip audio, dan suara hasil kloning tersedia untuk text-to-speech biasa. ByteDance mendokumentasikannya sebagai kloning dari satu klip. Kalau suara itu harus muncul dalam adegan utuh bersama musik, efek, dan pembicara lain, gunakan TA2A, yang menerima hingga tiga klip referensi dan mengaitkan tiap klip ke satu karakter.
Beri timecode berbentuk [5.5s:8.0s] di awal sebuah baris dan model akan menyesuaikan pembawaannya persis ke jendela waktu itu, mengatur tempo dan jeda agar pas. Inilah fitur yang membuat model ini praktis untuk sulih suara, di mana audio harus cocok dengan gambar. Baris tanpa timecode diberi tempo yang wajar.
Dua puluh: Inggris, Mandarin, Jepang, Korea, Spanyol Meksiko, Spanyol Kastilia, Indonesia, Jerman, Portugis Brasil, Prancis, Thai, Vietnam, Melayu, Filipino, Italia, Rusia, Belanda, Polandia, Turki, dan Swedia. Tulis prompt dalam bahasa yang sama dengan naskahnya untuk hasil yang paling konsisten.
Bisa. Jelaskan suara tiap karakter sambil menulis adegannya, dan model memberi tiap pembicara suara, emosi, dan tempo yang berbeda dalam satu proses, lengkap dengan ambience dan efek di sekitarnya. Di mode TA2A, Anda bisa mengaitkan hingga tiga karakter itu ke rekaman referensi.
Hingga dua menit audio per proses, dari prompt sepanjang maksimal 3.000 karakter. Prosesnya non-streaming: model merender track jadi yang sudah dimix, bukan mengembalikan audio secara real-time. Produksi yang lebih panjang dibangun adegan demi adegan.
Ini salah satu penggunaan yang paling cocok untuk model ini. Satu prompt mencakup suara narator, suara para karakter, dan desain suara di sekitarnya, jadi satu adegan datang dalam keadaan jadi, bukan sebagai track terpisah yang masih harus dimix. Pertahankan referensi suara yang sama antar bab dan naratornya akan tetap konsisten sepanjang buku.
Sangat berbeda. Text-to-speech biasa memilih satu suara lalu membacakan teks. Seed Audio 1.0 beranjak dari text-to-speech ke audio berbasis referensi: satu prompt menjelaskan lingkungan, musik, efek, dan suara tiap karakter, lalu model mengembalikan seluruh adegan yang sudah dimix. Beda cakupannya adalah produksi audio yang utuh melawan hanya suaranya saja.