Seed Speech 2.0 für Dialoge unter Erwachsenen: Stimmen, Eingaben und Kosten

Seed Speech 2.0 liest pro Anfrage eine voreingestellte Stimme. Ein Gespräch zwischen zwei erwachsenen Figuren besteht daher aus einer Task pro Zeile, die Sie in einem kurzen Audioschnitt zusammenfügen. Jede Task kostet 0,072 $ pro 1.000 gesprochene Zeichen, ohne Mindestbetrag; die Regieanweisung ist kostenlos.

Das passt zu Sprachnachrichten von Figuren, Hörbuchsprechern und Dialogen, in denen Sie eine Zeile neu erzeugen wollen, ohne die andere anzufassen. Wollen Sie beide Stimmen und Hintergrundgeräusche in einer Datei, nehmen Sie stattdessen Seed Audio 1.0.

Was eine Anfrage liefert

Wählen Sie eine Voreinstellung und probieren Sie eine Zeile auf der Seed-Speech-2.0-Taskseite aus. Stimmklonen, Streaming und Spracherkennung aus BytePlus' breiterer Seed-Speech-Familie gehören nicht zu dieser Task. Um die Stimme vorab zu hören, spielen Sie die veröffentlichte nächtliche Sprachnachricht ab; sie nutzt stokie_en mit einer leisen, vertrauten Regieanweisung.

Die beiden Takes zuerst im Playground ausprobieren

Öffnen Sie auf dieser Seite den Tab Playground. Für jeden Take zweier fiktiver Erwachsener nach einem Date:

1. Fügen Sie nur die zu hörenden Worte in Text ein. Schreiben Sie keine Sprechernamen („Anna:“) und keine Bühnenanweisungen („sie lächelt“): Sie werden vorgelesen, und wenn beide Figuren in einer Anfrage stehen, liest eine Stimme beide Zeilen samt Namen.
2. Wählen Sie unter Voice einen Namen (standardmäßig Stokie · English).
3. Beschreiben Sie den Vortrag unter Delivery instructions; dieser Text wird nicht gesprochen und nicht berechnet.
4. Lassen Sie Language auf Auto, starten Sie die Task, hören Sie das Ergebnis an und laden Sie die MP3 herunter.

Die Zeilen und Anweisungen bleiben Englisch, weil Stokie und Tim englische Voreinstellungen sind.

Fügen Sie die beiden Downloads in einem beliebigen Audioeditor mit einer kurzen Pause zusammen. Für eine automatische Montage nutzen Sie das Skript unten.

Danach den ganzen Austausch per Skript erzeugen

Installieren Sie das Python-SDK (pip install spicyapi) sowie ffmpeg, setzen Sie SPICY_API_KEY und führen Sie das Skript aus. Es sendet eine Task pro Take, lädt jede MP3 herunter und fügt sie dann mit 0,35 Sekunden Stille nach jedem Take und angeglichener Lautstärke zusammen.

import subprocess, urllib.request
from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment
GAP = 0.35  # seconds of silence after each turn
TURNS = [
    {"text": "You don't have to go yet. Stay for another coffee? I like talking to you when we're not watching the clock.",
     "voice_id": "stokie_en",
     "instructions": "Warm and slightly playful. Quiet, to one adult listener."},
    {"text": "Then I'll stay. I was hoping you would give me a reason.",
     "voice_id": "tim_en",
     "instructions": "Low, relaxed and amused. Answer naturally, not like an announcer."},
]

files = []
for i, turn in enumerate(TURNS, 1):
    task = client.create_task(
        model="bytedance/seed-speech-2.0/text-to-speech",
        input_data=dict(turn, language="en", output_format="mp3"),
        idempotency_key=f"dialogue-take-1-turn-{i}",  # new keys for a new take
    )
    final = client.wait_for_terminal(task["taskId"])
    if final["state"] != "succeeded":
        raise RuntimeError(f"Turn {i} ended as {final['state']}")
    files.append(f"turn-{i:02d}.mp3")
    urllib.request.urlretrieve(output_assets(final)[0]["url"], files[-1])

cmd = ["ffmpeg", "-y"] + [x for f in files for x in ("-i", f)]
chains = [f"[{i}:a]loudnorm=I=-18,apad=pad_dur={GAP}[a{i}]" for i in range(len(files))]
graph = ";".join(chains) + ";" + "".join(f"[a{i}]" for i in range(len(files))) + f"concat=n={len(files)}:v=0:a=1"
subprocess.run(cmd + ["-filter_complex", graph, "-ar", "24000", "-b:a", "128k", "dialogue.mp3"], check=True)

Passen Sie GAP an, bis die Antwort natürlich einsetzt. Hat eine Zeile einen holprigen Anfang, erzeugen Sie den ganzen Satz neu, statt ein einzelnes Wort zu flicken, und bauen Sie die Datei neu zusammen. Warten, Wiederholungen und Fehler sind in der Python-SDK-Referenz und im Leitfaden zu asynchronen Tasks beschrieben; die Wiederherstellung im größeren Maßstab ist Thema des Blogartikels zu Polling versus Webhooks.

Oder einen Agenten ausführen lassen

Soll ein Assistent das Skript vertonen, geben Sie ihm die CLI oder den MCP-Server. Beide zeigen den Preis und bitten um Ihre Bestätigung, bevor ein kostenpflichtiger Aufruf läuft. Der Skill ergänzt beides um Anweisungen.

• CLI. spicyapi führt pro Aufruf einen Take aus (npx @spicyapi/cli funktioniert ohne Installation). Legen Sie das input-Objekt des Takes in turn-1.json ab:

``bash spicyapi tasks create --model bytedance/seed-speech-2.0/text-to-speech \ --input-file turn-1.json --idempotency-key dialogue-take-1-turn-1 --wait ``

• MCP-Server. Fügen Sie Ihrem Assistenten den MCP-Server hinzu und bitten Sie ihn: „Read these two lines with Seed Speech 2.0, stokieen then timen, and join them with a short gap.“ Er ruft für jeden Take spicyapi_task_create (hält für Ihre Preisbestätigung an) und spicyapi_task_wait auf.
• Skill. npx skills add spicyapi-ai/spicy-skill installiert den Agent Skill, der einem Coding-Assistenten beibringt, das aktuelle Schema zu lesen und Idempotency-Keys wiederzuverwenden. Er kann Tasks nicht selbst ausführen, nutzen Sie ihn also mit der CLI oder MCP.

Stimmen und Sprache gemeinsam wählen

Das Suffix jeder Voice-ID nennt die Sprachen, für die sie gebaut ist. Zu den englischen Voreinstellungen gehören stokie_en, dacey_en und tim_en. Weitere decken Japanisch (minimi_ja), Deutsch (sven_de), Französisch (usseau_fr), Koreanisch (shane_ko) und Spanisch (felipe_es) ab; jess_ja_es_id_pt_en_zh spricht sechs Sprachen. Die Liste verrät nicht, welche Stimmen männlich oder weiblich sind, also hören Sie vor: Dieselbe Zeile mit 100 Zeichen über fünf Kandidaten kostet insgesamt etwa 0,036 $. Behalten Sie die gewinnende voice_id samt instructions für jede weitere Zeile dieser Figur.

language akzeptiert zh, en, ja, es-mx, id, pt-br, ko, it, de und fr. Lassen Sie das Feld weg, erkennt das Modell die Sprache automatisch; setzen Sie es, wenn eine kurze oder gemischtsprachige Zeile in der falschen Sprache gelesen wird. Spanisch ist es-mx, Portugiesisch pt-br. Das Feld übersetzt nicht: Schreiben Sie die Zeile in der Zielsprache.

Erwachsene Skripte und nichtsprachliche Laute

Nach unseren Tests im September 2026 fügt SpicyAPI diesem Modell keinen Inhaltsfilter hinzu; direkte und hörbuchartige Passagen für Erwachsene kamen Wort für Wort zurück, der Anweisungstext wurde nie gesprochen. Eine Passage mit vielen Regiehinweisen behielt ihren Wortlaut, fügte aber von sich aus Laute ohne Worte hinzu. Die Task hat kein Feld für Lautmarken: Schreiben Sie einen Laut als Wort („Mm...“, „Ah...“) und beschreiben Sie Atmung oder Tonfall in instructions. Hängt eine Szene von gespielten Atemzügen und Stöhnen ab, spielen Gemini 3.8 Flash, Grok und MiniMax Inline-Hinweise als Laute; Seed Speech tut das nicht.

Einstellungen, die ein echtes Problem lösen

Eine Zeile, die theatralisch klingt, hat meist eine zu lange Anweisung: Ersetzen Sie sie durch „Quiet, natural conversational delivery.“ Eine Stimme mit dem falschen Grundcharakter braucht eine andere Voreinstellung, bevor Sie am Pitch drehen. Ein ungewöhnlicher Name wird manchmal falsch ausgesprochen, und ein Aussprachewörterbuch gibt es nicht; schreiben Sie ihn in text so, wie er klingt.

Für Untertitel müssen Sie die fertige Datei selbst ausrichten, denn die Task liefert keine Zeitstempel.

Das Skript kalkulieren, Korrekturen eingeschlossen

Der Preis richtet sich nach den Zeichen in text, einschließlich Leerzeichen, Satzzeichen und Zeilenumbrüchen; instructions ist kostenlos, und das Angebot vor einem Lauf ist verbindlich. Eine Zeile mit 200 Zeichen kostet 0,0144 $ und ergibt etwa 18 Sekunden Sprache; eine Szene mit 2.000 Zeichen über beide Sprecher kostet 0,144 $, drei vollständige Takes davon kosten 0,432 $. Zwei Sprecher bedeuten keinen Aufschlag. Eine einzelne Antwort mit 200 Zeichen zu ersetzen kostet 0,0144 $, viel weniger als die ganze Szene neu zu erzeugen; behalten Sie also für den Nachdreh dieselbe Voreinstellung und dieselben Einstellungen bei.

Wählen Sie Seed Speech für günstige voreingestellte Stimmen und Zeilen, die Sie einzeln neu aufnehmen können; wählen Sie Seed Audio 1.0, wenn beide Stimmen und Atmosphäre in einer Datei liegen sollen.