Seed Audio 1.0

概览

Seed Audio 1.0 是字节跳动的一体化音频模型，定位是语音合成的下一步，而不是与它的决裂。传统音频流程用不同工具分别做人声、音乐和音效，各自生成后再混音。Seed Audio 1.0 从一条文本提示词同时产出这三层，输出的是一条完整、可直接使用的音轨。

从文本到语音，走向参考到音频

传统 TTS 拿到的是一个声音和一段文字。Seed Audio 1.0 拿到的是一场戏：天气和空间、垫在底下的音乐、动作周围的音效、每个角色的样貌与声音，以及他们说的台词。凡是你能描述的，都会成为同一次生成的一部分，这也是提示词可以写到 3000 字符而不显得注水的原因。

模型理解场景语境。写咖啡馆对话的提示词，得到的是背景人声和合适的声学空间，而不是一段泛泛的房间底噪。动作场面得到的是干脆的音效和有推进感的配乐，而不是贴在寂静之上的背景音乐。三层不是把各自导出的文件拼在一起，而是按这场戏的比例混好后一起出来。

四种模式

最简单的是语音合成：挑一个声音，输入文字，模型读出来。声音克隆在此之上多一步：上传一段音频，克隆出来的声音就能用于同样的语音合成。另外两种模式，才是这个模型和普通 TTS 拉开距离的地方。

在**文本到音频（T2A）**中，每个声音都来自你的描述。写清角色的年龄、口音、情绪、音色和语速，模型就会为其选声。

在**文本加音频到音频（TA2A）**中，你上传最多三段、每段不超过 30 秒的参考音频，并在提示词里把每段绑到一个角色上。此时生成的声音跟随的是录音，而不是描述。参考音频可以只为当次任务上传，也可以放在素材库里，在整个系列中反复使用。

二十种语言

Seed Audio 1.0 可生成英语、中文、日语、韩语、墨西哥西班牙语、卡斯蒂利亚西班牙语、印尼语、德语、巴西葡萄牙语、法语、泰语、越南语、马来语、菲律宾语、意大利语、俄语、荷兰语、波兰语、土耳其语和瑞典语。提示词的语言应与剧本语言一致：用角色所说的语言来写这份说明。

可以精确到秒的时间

Seed Audio 1.0 支持在任意一句台词上写时间码，在行内写成 [5.5s:8.0s]，模型就会把这句的表演严格放进这个区间。在配音里，这是“大致对得上”和“正好落在剪辑点上”的区别。生成是非流式的：模型一次渲染出最长两分钟的成品音轨。