音声生成

Seed Audio 1.0

ByteDance 提供

ByteDanceのオールインワンTTS。
音声・音楽・効果音をひとつの生成で。

Seed Audio 1.0

主な機能

サウンドの幅を聴く

ドキュメンタリーのナレーション音声

温かく落ち着いたドキュメンタリーのナレーション。

0:00
0:12
スリラーのナレーション音声

ひそやかで緊迫した、近く親密な台詞読み。

0:00
0:12
スパイス市場のアンビエンス効果音

層の重なった屋外市場のサウンドベッド。

0:00
0:12
雷雨効果音

遠くの雷鳴へと高まっていく雷雨。

0:00
0:12
オーケストラのキュー音楽

弦と金管が高まる短いキュー。

0:00
0:12
ローファイビート音楽

柔らかな鍵盤とレコードのノイズが漂う落ち着いたビート。

0:00
0:12

技術仕様

ByteDance

ByteDanceのSeed研究チームが開発。

20

英語・中国語・日本語・韓国語・スペイン語・仏語・独語ほか。

最大2分

1回の生成につき最大2分の音声。

3,000字

セリフを含むシーン説明を書ける長さ。

最大3本

各30秒までの参照クリップを3本まで。

非ストリーム

リアルタイム配信ではなく完成トラックを出力。

活用事例

暖色の光の糸がほどけ、開いた本のページのように折り返していく抽象的な造形

オーディオブック

1冊分の音声を収録なしで。ByteDanceは費用をスタジオの約10分の1としています。

上に冷たい銀、下に暖かい琥珀の光の帯が並び、同じ拍で脈打っている

動画の吹き替え

声を説明するか人物画像を渡し、タイムスタンプで各セリフを絵に合わせます。

一点の強い衝撃から冷たい青白い破片が外へ放たれた瞬間

ゲーム音声

キャラの掛け合い、演技付きシーン、環境音を台本からそのまま生成します。

3本の光の筋が編み合わさり、淡い金色の一本となって画面の外へ抜けていく

動画音声を一度に

ナレーション・音響・音楽を1回の生成で。あとからのミックス作業は不要です。

コーラルと金の光が斜めに一筆走り、その後ろで素早く減衰していく

広告とプロモ

セリフ、効果音、音楽が1本のトラックに。短尺コンテンツ向けの仕上がりです。

高さの違う4本の光のリボンが交差し、それぞれが別のリズムを刻んでいる

対話とオーディオドラマ

複数の人物が各自の声と芝居で、環境音とテンポの合ったシーンを演じます。

プロンプト例

解説ナレーション

穏やかな語り、台所の環境音:「小麦粉とバターを混ぜて」

Edit prompt

タイム制御

ライアン(息切れ):「[5.5s:8.0s] マヤ!本当に今夜行くの?」

Edit prompt

オーディオブック

窓に雨。落ち着いた語り:「彼女は二度読み返した」

Edit prompt

スポーツ実況

満員のスタジアム、大歓声。実況が絶叫:「ゴォォォル!」

Edit prompt

オーディオドラマ

刑事、緊張して:「動くな」足音が止まり、扉が軋む。

Edit prompt

ゲームの一場面

重く英雄的な声:「古の封印が解けた」石が擦れる音。

Edit prompt

概要

Seed Audio 1.0はByteDanceのオールインワン音声モデルです。音声合成との決別ではなく、その次の一歩として作られています。従来の音声制作では、声・音楽・効果音を別々のツールで個別に作り、あとからミックスします。Seed Audio 1.0は1つのテキストプロンプトから3つをまとめて生成し、そのまま使える完成トラックを返します。

テキストから音声へ、さらに参照から音声へ

通常のTTSは声とテキストの塊を受け取ります。Seed Audio 1.0が受け取るのはシーンです。天気と部屋、下に流れる音楽、動きの周りの効果音、各人物の見た目と声、そして話すセリフ。書けるものはすべて同じ生成の一部になります。プロンプトが水増しにならずに3,000文字まで伸ばせるのはそのためです。

モデルはシーンの文脈を理解します。カフェの会話のプロンプトなら、汎用の部屋鳴りではなく周囲のざわめきと正しい音響空間が返ります。アクションの場面なら、無音の上に貼りつけたBGMではなく、鋭い効果音とダイナミックな音楽が返ります。3つの層は別々の書き出しを組み合わせたものではなく、そのシーンに合わせた比率でミックスされて出てきます。

4つのモード

もっとも単純なのは音声合成です。声を選んでテキストを入れれば、モデルが読み上げます。音声クローンはそこに1手順を足すもので、音声クリップを1本アップロードすると、クローンされた声が同じ音声合成で使えるようになります。残る2つのモードが、このモデルを通常のTTSから分けている部分です。

テキストから音声(T2A) では、すべての声が説明から生まれます。人物の年齢、なまり、感情、声色、話す速さを書けば、モデルがその役を当てます。

テキスト+音声から音声(TA2A) では、各30秒までの参照クリップを3本までアップロードし、プロンプト内でそれぞれを人物に紐づけます。生成される声は説明ではなく録音に従います。参照クリップは1回の生成用にアップロードすることも、アセットライブラリに置いてシリーズ全体で使い回すこともできます。

20の言語

Seed Audio 1.0は英語、中国語、日本語、韓国語、メキシコスペイン語、カスティーリャスペイン語、インドネシア語、ドイツ語、ブラジルポルトガル語、フランス語、タイ語、ベトナム語、マレー語、フィリピン語、イタリア語、ロシア語、オランダ語、ポーランド語、トルコ語、スウェーデン語で生成します。プロンプトの言語と台本の言語は揃えてください。人物が話す言語で説明を書きます。

秒単位で指定できるタイミング

Seed Audio 1.0はどのセリフにもタイムスタンプを受け付けます。行内に [5.5s:8.0s] と書けば、その区間ちょうどに演技を収めます。吹き替えでは、だいたい合う音声と、カットにぴたりと収まる音声との違いになります。生成は非ストリーミングで、モデルは最大2分の完成トラックを1回でレンダリングします。

シンプルな料金体系

今すぐ無料で始めて、いつでもアップグレードまたはキャンセルできます。

Basic

$19/ 月
請求額は $228 年

2400 月 クレジット

1 ユーザーのみ

すべてのモデル

ワークフロー

Standard

$24/ 月
請求額は $288 年

3625 月 クレジット

1 ユーザーのみ

すべてのモデル

ワークフロー

Pro

$45/ 月
請求額は $540 年

6350 共有 月 クレジット

1 ユーザー

+ 最大 4 名まで追加費用

すべてのモデル

ワークフロー

Max

$170/ 月
請求額は $2040 年

24650 共有 月 クレジット

1 ユーザー

+ 最大 9 名まで追加費用

すべてのモデル

ワークフロー

Enterprise

より高い制限のために

カスタム

料金と請求条件

大容量クレジット
カスタムシート制限
すべてのモデル
ワークフロー
Pricing Gradient

Free

気軽に試したい方に

$0

ずっと無料

最大20クレジット
1ユーザーのみ
一部のモデル
ワークフロー

よくある質問

Seed Audio 1.0とは何ですか?
Seed Audio 1.0はByteDanceのオールインワン音声合成モデルです。1つのテキストプロンプトから、音声・楽曲・効果音をまとめて、ミックス済みの完成トラックとして生成します。主なモードは2つで、説明からすべてを作るテキストから音声(T2A)と、参照クリップを加えて特定の声をキャスティングするテキスト+音声から音声(TA2A)です。
Seed Audio 1.0はどの言語に対応していますか?
Seed Audio 1.0は20言語に対応します。英語、中国語、日本語、韓国語、メキシコスペイン語、カスティーリャスペイン語、インドネシア語、ドイツ語、ブラジルポルトガル語、フランス語、タイ語、ベトナム語、マレー語、フィリピン語、イタリア語、ロシア語、オランダ語、ポーランド語、トルコ語、スウェーデン語です。話させたいセリフと同じ言語でプロンプトを書くと最良の結果になります。
Seed Audio 1.0の参照音声はどう動きますか?
TA2Aモードでは各30秒までの参照クリップを3本まで渡し、プロンプト内で紐づけて各人物を録音に対応させます。モデルは参照から声質と感情を取り込み、生成全体で保ちます。録音の代わりにテキスト説明やキャラクター画像で声を定義することもできます。
Seed Audio 1.0は声をクローンできますか?
はい。T2AとTA2Aのほかに音声クローンのモードがあります。音声クリップを1本アップロードすると、クローンされた声が通常の音声合成で使えるようになります。ByteDanceは1本のクリップからのクローンとして記載しています。音楽や効果音、ほかの登場人物と一緒に1つのシーンの中で声を鳴らしたい場合は、参照クリップを3本まで使えるTA2Aを選んでください。
Seed Audio 1.0はセリフごとの尺を制御できますか?
はい。Seed Audio 1.0は精密なタイム制御に対応します。セリフの先頭に[5.5s:8.0s]のようなタイムスタンプを置けば、モデルがその区間ちょうどに収めます。セリフを絵に合わせる必要がある吹き替えで使える理由がこれです。
Seed Audio 1.0は複数の話者を同時に生成できますか?
はい。複数の人物が登場するシーンを書き、各人の声を文中で説明してください。Seed Audio 1.0は1回の生成で話者ごとに異なる声・感情・話す速さを与え、周囲の環境音や効果音も一緒に作ります。
Seed Audio 1.0の生成はどれくらいの長さになりますか?
Seed Audio 1.0は1回の生成で最大2分の音声を作ります。プロンプトは最大3,000文字です。それより長い作品はシーンごとに分けて作ります。
Seed Audio 1.0は通常の音声合成と何が違いますか?
通常の音声合成は声を選んでテキストを読み上げます。Seed Audio 1.0はテキストから音声へ、さらに参照から音声へと進みます。1つのプロンプトで環境、音楽、効果音、各人物の声を説明すると、モデルはシーン全体をミックスした状態で返します。違いは範囲で、声だけではなく完成した音声作品が得られます。