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

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。

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。

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。

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。

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。

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

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

$9/
請求額は $0

900 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/
請求額は $0

3200 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/
請求額は $0

6200 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

Pro Max

$170/
請求額は $0

24000 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。