Wählen Sie Seed Audio 1.0, wenn Sie Dialog und Hintergrundklang in einer einzigen generierten Szene wollen. Beschreiben Sie die erwachsenen Sprecher, setzen Sie ihre Zeilen in Anführungszeichen und nennen Sie im selben Prompt die Musik oder die Atmosphäre. Eine Anfrage kostet unabhängig von der Promptlänge $0.36, liefert eine gemischte Datei von bis zu etwa zwei Minuten, und fehlgeschlagene Anfragen werden nicht berechnet. Die Datei ist gemischt: Sie können den Regen nicht stummschalten und keine einzelne Zeile nachträglich korrigieren, ohne alles neu zu generieren, und das Ergebnis bleibt 14 Tage erhalten, laden Sie es also herunter.
Auf Grundlage unserer Tests vom September 2026 wird explizites Erwachsenen-Vokabular innerhalb der zitierten Zeilen wörtlich gesprochen, und die Szenenbeschreibung rundherum wird nicht laut vorgelesen.
Seed Audio oder gewöhnliches TTS?
| Was Sie brauchen | Bessere Ausgangsbasis |
|---|---|
| Zwei Figuren, die über Regen oder Musik sprechen, geliefert als eine Datei | Seed Audio 1.0 |
| Eine gewählte Preset-Stimme, die ein freigegebenes Skript liest | Eine Sprachsynthese-Aufgabe wie Seed Speech 2.0 |
| Dialog, Atmosphäre und Musik auf getrennten Bearbeitungsspuren | Die Stimmen einzeln trocken erzeugen und lokal mischen |
| Audio, das auf Mundbewegungen abgestimmt ist | Die Szene hier erzeugen und die Datei dann an ein Modell für Lippensynchronisation oder Talking-Avatar übergeben; dieser Task liefert keine Wortzeitstempel |
Die Task-Seite von Seed Audio nutzt ein einzelnes prompt, nicht text plus voice_id wie gewöhnliches TTS. Es gibt kein Stimmmenü: Beschreiben Sie jede Stimme im Prompt oder liefern Sie Referenzaudio. Sie können das Hoteldialog-Beispiel anhören, einen 12-Sekunden-Dialog zwischen einem Mann und einer Frau in einer Hotelbar; der Beispiel-Prompt verlangt Loungemusik und Glasklänge.
Ein Prompt, den Sie anpassen können
Two adults in their thirties talk quietly in a hotel lounge after dinner. Light rain taps on the window; no music. A woman with a warm, relaxed voice says: "I thought you were leaving." A man with a low, amused voice replies: "I changed my mind. Would you like another drink?" She answers softly: "Only if you stay." Keep every line clear above the rain, with a natural gap between speakers. Finish quietly after her reply.
Um ihn zu Ihrem eigenen zu machen, ändern Sie zuerst die zitierten Zeilen, dann die beiden Stimmbeschreibungen, dann den Hintergrund.
Im Playground ausprobieren
- Diesen Prompt auf Seed Audio 1.0 ausführen (zuerst anmelden oder ein Konto erstellen).
- Im Tab Playground ist das Feld Prompt bereits ausgefüllt. Lassen Sie Speed, Pitch und Volume auf den Standardwerten und setzen Sie Output format auf MP3.
- Prüfen Sie den angezeigten Preis ($0.36) und drücken Sie dann Run model.
- Spielen Sie das Ergebnis ab. Ändern Sie die zitierten Zeilen oder den Regen in Prompt und führen Sie es erneut aus.
- Optional: Fügen Sie bis zu drei Clips unter Reference audio hinzu und rufen Sie sie im Prompt mit
@Audio1bis@Audio3auf.
Aus dem Code ausführen
cat > input.json <<'J'
{
"prompt": "Two adults in their thirties talk quietly in a hotel lounge after dinner. Light rain taps on the window; no music. A woman with a warm, relaxed voice says: \"I thought you were leaving.\" A man with a low, amused voice replies: \"I changed my mind. Would you like another drink?\" She answers softly: \"Only if you stay.\" Keep every line clear above the rain, with a natural gap between speakers. Finish quietly after her reply.",
"output_format": "mp3",
"speed": 1,
"pitch": 0,
"volume": 1
}
J
spicyapi tasks create --model bytedance/seed-audio-1.0/text-to-audio --input-file input.json --waitEinrichtung und Ergebnisse stehen in der CLI-Dokumentation.
Oder lassen Sie einen Agenten laufen. Geben Sie Ihrem Assistenten die obige CLI oder den MCP-Server (er ruft spicyapi_task_create auf); beide zeigen den Preis und fragen vor einem kostenpflichtigen Lauf nach. npx skills add spicyapi-ai/spicy-skill installiert den Skill.
Halten Sie Regieanweisungen außerhalb der angeführten Zitate, um sie von den gesprochenen Zeilen zu unterscheiden. Das Prompt-Limit beträgt 2000 Zeichen.
Erwachsenen-Skripte
In unseren Tests kamen ein expliziter Ich-Monolog, eine Verlesung von Erwachsenenfiction und eine stark von Geräuschen geprägte Szene mit Regen alle mit jedem expliziten Wort gesprochen zurück (26, 29 und 9 Sekunden). SpicyAPI fügt diesem Modell keinen Inhaltsfilter hinzu, Sie sind also für die Szenen verantwortlich, die Sie schreiben, und dafür, generierte Stimmen nicht als Worte einer echten Person auszugeben.
Die männliche und die weibliche Stimme im Hoteldialog-Beispiel sind deutlich verschieden, ein Zweipersonendialog funktioniert also. Für eine lange Reihe, in der eine Figur über viele Dateien hinweg gleich klingen muss, liefern Sie jedes Mal dasselbe Referenzaudio und hören Sie zu, bevor Sie sich festlegen.
Länge
Eine Anfrage ist eine Szene von bis zu etwa zwei Minuten, und es gibt kein Dauerfeld. Fordern Sie eine kurze, in sich geschlossene Szene an und schneiden Sie das Ergebnis in Ihrem Editor zurecht. Für eine längere Geschichte erzeugen Sie jede Szene einzeln und fügen sie zusammen; dieser gehostete Task hat keine Funktion zum Verlängern von Audio, obwohl der Entwickler des Modells die Fortsetzung als native Fähigkeit beschreibt.
Referenzaudio und Bild
Der Task akzeptiert bis zu drei MP3- oder WAV-Clips in reference_audio_urls. Verweisen Sie im Prompt in der Reihenfolge der Lieferung darauf als @Audio1, @Audio2 und @Audio3:
Use @Audio1 as the woman's voice and @Audio2 as the man's voice. Follow the dialogue below; keep the rain quiet.
Verwenden Sie Aufnahmen, deren Stimmen Sie verwenden dürfen, und bevorzugen Sie einen klaren Clip mit nur einer sprechenden Person gegenüber einem mit mehreren Personen oder Musik. Referenzen ändern den Preis von $0.36 nicht.
Sie können stattdessen ein image_url als Szenenkontext senden, aber ein Bild und Audio-Referenzen lassen sich nicht kombinieren. Wählen Sie das Bild, wenn der Raum oder die abgebildete Person die Referenz ist; wählen Sie Audio, wenn es die Stimme ist. Auch mit einem Bild schreiben Sie die Zeilen und die Stimmbeschreibung in den Prompt.
Regler und Dateiformate
| Eingabe | Unterstützte Werte | Praktischer Nutzen |
|---|---|---|
speed | 0.5 bis 2; Standard 1 | Sprechtempo für den gesamten Clip, nicht pro Sprecher |
pitch | -12 bis +12 Halbtöne; Standard 0 | Für die erste Szene auf 0 lassen |
volume | 0.5 bis 2; Standard 1 | Nur der Gesamtpegel; er mischt den Dialog nicht gegen den Regen aus |
output_format | mp3, wav, opus, pcm | MP3 für die Wiedergabe im Web, WAV für die Bearbeitung |
sample_rate | 8000 bis 48000 Hz (8, 16, 24, 32, 44.1, 48 kHz); Standard 24000 | An Ihren Editor anpassen |
Die Ausgabe ist Stereo. opus liefert eine Ogg-Opus-Datei. pcm ist headerloses, 16-Bit-Little-Endian-Interleaved-Stereo, das Browser nicht abspielen können, wählen Sie also WAV für dieselben Samples in einer abspielbaren Datei.
Die Szene korrigieren, ohne alles neu zu schreiben
| Was schiefging | Ändern Sie zuerst |
|---|---|
| Regen oder Musik überdeckt die Antwort | Verlangen Sie keine Musik und leiseren Regen; ein höheres volume hebt auch den Hintergrund an |
| Die Szenenbeschreibung wird gesprochen | Halten Sie die Anweisungen außerhalb der Zitate und schreiben Sie nur den Dialog zu |
| Die falsche Figur sagt eine Zeile | Wiederholen Sie den Namen des Sprechers vor jedem zitierten Zug |
| Zwei Stimmen verschmelzen zu einer | Geben Sie jeder eine kurze, unterscheidbare Stimmbeschreibung; wenn das nicht hilft, erzeugen Sie getrennte TTS-Züge mit Preset-Stimmen |
| Eine Zeile braucht eine spätere Korrektur | Verwenden Sie separate Stimm-Tasks und einen Editor statt einer flach gemischten Szene |
| Sie brauchen eine genaue Dauer | Kürzen Sie den Dialog und schneiden Sie zu; ein Dauerfeld gibt es nicht |
Da der Preis pro Anfrage gilt, kostet eine Szene plus zwei Überarbeitungen $1.08, und zehn Szenen mit je einem zusätzlichen Versuch kosten $7.20.
Welche Option Sie nehmen sollten
Seed Audio ist der schnellste Weg zu einer fertigen Klangszene. Wenn Sie Zeilen häufig ersetzen müssen, verwenden Sie Preset-Stimmen erneut oder halten Sie Dialog und Atmosphäre auf getrennten Spuren, erzeugen Sie die Sprache separat und mischen Sie selbst.
