Elige Seed Audio 1.0 cuando quieras diálogo y sonido de fondo en una sola escena generada. Describe a los hablantes adultos, pon sus frases entre comillas y nombra en el mismo prompt la música o la ambientación. Una solicitud cuesta $0.36 sea cual sea la longitud del prompt, devuelve un único archivo mixto de hasta unos dos minutos, y las solicitudes fallidas no se cobran. El archivo va mezclado: no puedes silenciar la lluvia ni corregir una frase después sin regenerarlo todo, y el resultado se conserva 14 días, así que descárgalo.
Según nuestras pruebas de septiembre de 2026, el vocabulario adulto explícito dentro de las frases entrecomilladas se dice tal como está escrito, y la descripción de la escena que lo rodea no se lee en voz alta.
¿Seed Audio o TTS normal?
| Lo que necesitas | Mejor punto de partida |
|---|---|
| Dos personajes hablando sobre lluvia o música, entregados en un solo archivo | Seed Audio 1.0 |
| Una voz predefinida elegida que lee un guion aprobado | Una tarea de síntesis de voz como Seed Speech 2.0 |
| Diálogo, ambientación y música en pistas de edición separadas | Genera las voces secas por separado y mézclalas localmente |
| Audio sincronizado con los movimientos de la boca | Genera la escena aquí y pasa el archivo a un modelo de sincronización labial o de avatar parlante; esta tarea no devuelve marcas de tiempo por palabra |
La página de la tarea de Seed Audio usa un único prompt, no el text más voice_id del TTS normal. No hay menú de voces: describe cada voz en el prompt o aporta audio de referencia. Puedes escuchar el ejemplo de diálogo de bar, un intercambio de 12 segundos entre un hombre y una mujer en el bar de un hotel; el prompt de ejemplo pide música de lounge y sonidos de cristal.
Un prompt que puedes adaptar
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.
Para hacerlo tuyo, cambia primero las frases entrecomilladas, luego las dos descripciones de voz y después el fondo.
Pruébalo en Playground
- Ejecuta este prompt en Seed Audio 1.0 (inicia sesión o crea una cuenta primero).
- En la pestaña Playground, el cuadro Prompt ya está relleno. Deja Speed, Pitch y Volume en sus valores por defecto y pon Output format en MP3.
- Comprueba el precio mostrado ($0.36) y pulsa Run model.
- Escucha el resultado. Cambia las frases entrecomilladas o la lluvia en Prompt y ejecútalo otra vez.
- Opcional: añade hasta tres clips en Reference audio y llámalos
@Audio1a@Audio3en el prompt.
Ejecutarlo desde código
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 --waitLa puesta en marcha y los resultados están en la documentación de la CLI.
O deja que un agente lo ejecute. Dale a tu asistente la CLI de arriba o el servidor MCP (llama a spicyapi_task_create); ambos muestran el precio y preguntan antes de una ejecución de pago. npx skills add spicyapi-ai/spicy-skill instala la Skill.
Mantén las indicaciones fuera de las citas atribuidas para distinguirlas de las frases habladas. El límite del prompt es de 2000 caracteres.
Guiones adultos
En nuestras pruebas, un monólogo en primera persona explícito, una lectura de ficción adulta y una escena con muchas indicaciones de sonido y lluvia devolvieron todas cada palabra explícita hablada (26, 29 y 9 segundos). SpicyAPI no añade ningún filtro de contenido a este modelo, así que eres responsable de las escenas que escribes y de no pasar voces generadas por palabras de una persona real.
Las voces masculina y femenina del ejemplo del bar del hotel son claramente distintas, así que un intercambio entre dos personajes funciona. Para una serie larga en la que un personaje debe sonar idéntico en muchos archivos, aporta el mismo audio de referencia cada vez y escucha antes de darlo por bueno.
Duración
Una solicitud es una escena de hasta unos dos minutos, y no hay campo de duración. Pide una escena corta y autónoma y recorta el resultado en tu editor. Para una historia más larga, genera cada escena por separado y únelas; esta tarea alojada no tiene ninguna operación de extender audio, aunque el desarrollador del modelo describe la continuación como una capacidad nativa.
Audio de referencia e imagen
La tarea acepta hasta tres clips MP3 o WAV en reference_audio_urls. Haz referencia a ellos en el prompt como @Audio1, @Audio2 y @Audio3, en el orden en que los aportas:
Use @Audio1 as the woman's voice and @Audio2 as the man's voice. Follow the dialogue below; keep the rain quiet.
Usa grabaciones cuyas voces tengas permiso para usar y prefiere un clip limpio de un solo hablante frente a uno con varias personas o música. Las referencias no cambian el precio de $0.36.
En su lugar puedes enviar un image_url para el contexto de la escena, pero una imagen y las referencias de audio no se pueden combinar. Elige la imagen cuando la referencia sea la habitación o la persona retratada; elige el audio cuando sea la voz. Con una imagen, escribe igualmente las frases y la descripción de voz en el prompt.
Controles y formatos de archivo
| Entrada | Valores admitidos | Uso práctico |
|---|---|---|
speed | 0.5 a 2; por defecto 1 | Velocidad de habla de todo el clip, no por hablante |
pitch | -12 a +12 semitonos; por defecto 0 | Déjalo en 0 para la primera escena |
volume | 0.5 a 2; por defecto 1 | Solo el nivel general; no reequilibra el diálogo frente a la lluvia |
output_format | mp3, wav, opus, pcm | MP3 para reproducción web, WAV para edición |
sample_rate | 8000 a 48000 Hz (8, 16, 24, 32, 44.1, 48 kHz); por defecto 24000 | Ajústalo a tu editor |
La salida es estéreo. opus devuelve un archivo Ogg Opus. pcm es estéreo intercalado little-endian de 16 bits sin cabecera que los navegadores no pueden reproducir, así que elige WAV para las mismas muestras en un archivo reproducible.
Corrige la escena sin reescribirlo todo
| Qué salió mal | Cambia esto primero |
|---|---|
| La lluvia o la música enmascaran la respuesta | Pide que no haya música y una lluvia más suave; subir volume levanta también el fondo |
| La descripción de la escena se dice en voz alta | Mantén las indicaciones fuera de las comillas y atribuye solo el diálogo |
| El personaje equivocado dice una frase | Repite el nombre del hablante antes de cada turno entrecomillado |
| Dos voces se funden en una | Dale a cada una una descripción de voz breve y distinta; si no funciona, genera turnos TTS predefinidos por separado |
| Una frase necesita una edición posterior | Usa tareas de voz separadas y un editor en lugar de una escena aplanada |
| Necesitas una duración exacta | Acorta el diálogo y recorta; no hay campo de duración |
Como el precio es por solicitud, una escena más dos revisiones cuesta $1.08, y diez escenas con un intento extra cada una cuestan $7.20.
Cuál usar
Seed Audio es la vía más rápida a una escena de sonido terminada. Si necesitas cambiar frases a menudo, reutiliza voces predefinidas o mantén el diálogo y la ambientación en pistas separadas, genera el habla por separado y mézclalo tú mismo.
