¿Qué es la API de Seed Audio 1.0?

Es una API de texto a audio con un único campo de solicitud, prompt, que devuelve un MP3 construido a partir de esa descripción: voz de uno o varios personajes, música, ambiente y efectos de sonido, mezclados en una sola pasada en lugar de ensamblados a partir de llamadas separadas. Un clip dura hasta unos dos minutos y se cobra a una tarifa plana de $0.36 por solicitud.

¿Realmente puede producir una conversación entre dos personajes?

Sí. Cite lo que dice cada personaje en el prompt y describa cómo suena cada uno, y el modelo le da a cada uno una voz distinta en el mismo clip. No hay un campo aparte que llenar por personaje: todo el intercambio se describe en esa única cadena de prompt.

¿Hay una lista de voces o puedo clonar una?

No. Este endpoint no tiene parámetro voice_id ni clonación; cada voz de un clip surge de cómo se describe en el prompt —tono, edad, acento, estado de ánimo— en lugar de elegir un identificador o subir una muestra de referencia.

¿Puedo agregar música o efectos de sonido, no solo voz?

Sí, en el mismo prompt. Una línea que describe música de fondo, lluvia, pasos o una puerta cerrándose se lee igual que una línea de diálogo y se mezcla en el mismo MP3. No hay un campo aparte para música o efectos.

Una tarifa fija de $0.36 por solicitud, sin importar cuán corto o largo sea el prompt de 2000 caracteres ni cuánto dure el clip resultante, hasta el límite de unos dos minutos. Las solicitudes fallidas no se cobran.

¿Hay un filtro de contenido para prompts NSFW?

SpicyAPI no agrega filtro de contenido. En nuestras pruebas, un monólogo en primera persona, un pasaje narrado y una escena con ambiente de lluvia, todos en nuestro nivel de contenido más fuerte, volvieron con cada palabra pronunciada. La responsabilidad sobre el material y su uso es de quien hace la solicitud.

¿Cuánto puede durar un clip generado?

Hasta unos dos minutos por solicitud. Una escena que necesite durar más debe dividirse en varios prompts, generados y cobrados por separado a la misma tarifa fija.

¿Quién hace Seed Audio 1.0?

Lo hace ByteDance Seed. La documentación oficial también describe entradas de audio e imagen de referencia y clonación de voz, nada de lo cual se ofrece en este endpoint.

Seed Audio 1.0 API

bytedance/seed-audio-1.0/text-to-audio

Seed Audio 1.0 de ByteDance convierte un prompt en una escena MP3 de hasta unos dos minutos, con líneas entre comillas de varios hablantes, música y efectos. Hasta tres clips de referencia reutilizan una voz, con control de velocidad, tono y volumen.

Desde $0.36/solicitud

Ejecutar modelo Ver API

Entrada

Texto a audio

Comprobando tu cuenta antes de habilitar el envío y el cálculo de precios.

Salida

Listo para una nueva ejecución

Resultado de ejemplo

0:00 / –:––

Avatar

Voz a texto

Sincronización labial

{
  "model": "bytedance/seed-audio-1.0/text-to-audio",
  "input": {
    "reference_audio_urls": [
      "https://cdn.spicyapi.ai/models/examples/seed-audio-1-0/4b2c0604faa58812.mp3"
    ],
    "speed": 1,
    "pitch": 0,
    "volume": 1,
    "output_format": "mp3",
    "prompt": "Using the voice of @Audio1, the same woman leaves a second voice message the next morning, still sleepy and smiling, close to the microphone. Birds outside the window and a kettle starting to whistle in the kitchen. She says: \"Morning... you never called back. Coffee's on. Come over before it gets cold.\""
  }
}

Introducción

Describe toda la escena de audio en un solo prompt: quién habla, cómo, y sus líneas entre comillas, además de cualquier música, ambiente o efecto de sonido. La tarea devuelve un archivo de audio de hasta unos dos minutos con todo lo que describiste, incluido el diálogo de más de un hablante: un MP3, salvo que definas output_format. Para reutilizar una voz, sube hasta tres clips de referencia en reference_audio_urls y nómbralos @Audio1 a @Audio3 en el prompt, o indica una imagen de referencia en image_url en su lugar; speed, pitch y volume ajustan finamente la interpretación. SpicyAPI no aplica ningún filtro de contenido: cada prompt se lee tal como está escrito. Cada solicitud cuesta el mismo precio fijo.

Especificaciones de Seed Audio 1.0 · Text to Audio
Campo	Valor
Entrada	Texto
Salida	Audio
Campo obligatorio	prompt — de 1 a 2.000 caracteres
Campos opcionales	`reference_audio_urls` o `image_url`, speed, pitch, volume, `output_format`, `sample_rate`
Resultado	Un archivo de audio de hasta unos dos minutos: MP3 por defecto, o WAV, Ogg Opus, PCM
Hablantes	Varios, descritos en el prompt o tomados de hasta tres clips de referencia; sin lista de voces
Cantidad facturada	Un precio plano por solicitud
Retención	El audio generado se conserva 14 días

Parámetros de la solicitud

Parámetros de la solicitud de Seed Audio 1.0 · Text to Audio
Parámetro	Obligatorio	Descripción
`prompt`	Sí	Describe toda la escena en hasta 2.000 caracteres: cada hablante y cómo suena, sus líneas exactas entre comillas, y cualquier música, ambiente o efecto de sonido. mínimo 1 caracteres · máximo 2000 caracteres
`reference_audio_urls`	No	Hasta tres clips MP3 o WAV de referencia: súbelos o indica URL públicas. Cada clip puede durar hasta 30 segundos y pesar hasta 10 MB. máximo 3 elementos
`image_url`	No	Imagen de referencia opcional en torno a la cual se crea el audio: súbela o indica una URL pública y describe en prompt lo que dice la persona de la imagen o cómo suena la escena. mínimo 1 caracteres
`speed`	No	Velocidad del habla de 0.5 (más lenta) a 2 (más rápida); 1 es el ritmo normal de la voz. No cambia el precio. `≥ 0.5` · `≤ 2` · Valor predeterminado: `1`
`pitch`	No	Desplazamiento de tono en semitonos, de -12 a 12; 0 mantiene el tono propio de la voz. No cambia el precio. `≥ -12` · `≤ 12` · Valor predeterminado: `0`
`volume`	No	Multiplicador de volumen de 0.5 a 2; 1 es el nivel normal. No cambia el precio. `≥ 0.5` · `≤ 2` · Valor predeterminado: `1`
`output_format`	No	Formato de archivo: mp3 (predeterminado), wav, opus (Ogg Opus) o pcm, es decir, muestras estéreo de 16 bits little-endian, intercaladas y sin encabezado, con el `sample_rate` eleg… `mp3` · `wav` · `opus` · `pcm` · Valor predeterminado: `mp3`
`sample_rate`	No	Frecuencia de muestreo del audio en Hz: 8000, 16000, 24000, 32000, 44100, 48000. Predeterminado: 24000. `8000` · `16000` · `24000` · `32000` · `44100` · `48000`

Precios

$0.36 / solicitud

Un precio plano por solicitud, un clip de hasta unos dos minutos.

Casos de uso

Audiodramas con varios personajes

Describe dos o más hablantes y pon sus líneas entre comillas, y el modelo le dará a cada uno una voz distinta en el mismo clip, sin necesitar un modelo de voz separado para cada personaje.

Escenas con diseño sonoro

Un solo prompt puede pedir diálogo, música de fondo, ambiente y efectos de sonido a la vez, de modo que una sola solicitud devuelva una escena terminada en lugar de una simple línea de voz.

Ficción de audio sin censura

Los prompts se leen tal como están escritos, sin filtro de contenido. En nuestras pruebas, un monólogo en primera persona, ficción narrada y una escena con ambiente de lluvia, todos escritos más allá de lo que aceptan otros servicios, volvieron con cada palabra dicha.

Pistas de voz para video

Genera la escena aquí y luego entrega el MP3 a un modelo de avatar parlante o de sincronización labial para que un rostro la interprete.

Ver tutoriales de casos de uso principales

Guía de prompts y consejos prácticos

Describe a los hablantes

Indica quién habla y cómo —un susurro entrecortado, un narrador cálido— y pon sus palabras exactas entre comillas.
Agrega el paisaje sonoro

Menciona cualquier música, ambiente o efecto de sonido que quieras que suene junto al diálogo: una tormenta de lluvia, un reloj haciendo tic-tac, una música que va creciendo.
Mantente dentro de los 2.000 caracteres

Un prompt cubre una escena de hasta unos dos minutos; las historias más largas deben dividirse en varias solicitudes.

Qué devuelve

Un archivo de audio por tarea, de hasta unos dos minutos de duración: un MP3 salvo que cambies output_format. El archivo se copia al almacenamiento de SpicyAPI y se conserva 14 días.

Cómo escribir el prompt

Seed Audio 1.0 recibe un único campo prompt (hasta 2.000 caracteres) que describe toda la escena:

Quién habla y cómo: un susurro, un narrador cálido, una línea gritada.
Sus palabras exactas, entre comillas.
Cualquier música, ambiente o efecto de sonido que quieras junto al diálogo.

Este modelo admite más de un hablante en el mismo clip: describe a cada personaje y sus líneas, y le dará a cada uno una voz distinta.

Audio e imagen de referencia

No hay lista de voces. Para reutilizar una voz o un sonido, sube hasta tres clips en reference_audio_urls y nómbralos en el prompt como @Audio1, @Audio2 y @Audio3, según el orden de carga; por ejemplo, “Con la voz de @Audio1, un hombre dice …”. O da una imagen en image_url y describe lo que dice la persona que aparece o cómo suena la escena; las dos entradas no se pueden combinar. Usa solo voces e imágenes que tengas derecho a usar.

Interpretación y formato

speed (0.5–2), pitch (-12 a 12 semitonos) y volume (0.5–2) afinan la interpretación. output_format elige mp3 (predeterminado), wav, opus (Ogg Opus) o pcm, y sample_rate va de 8000 a 48000 Hz. pcm son muestras estéreo de 16 bits little-endian sin encabezado, así que no se puede escuchar en el navegador; elige wav para obtener las mismas muestras en un archivo reproducible. Nada de esto cambia el precio.

Cobro

Un precio plano por solicitud, sin importar la longitud del prompt. Las solicitudes fallidas no se cobran.

Contenido

SpicyAPI no añade ningún filtro de contenido. En nuestras pruebas, tres prompts que otros servicios rechazan —un monólogo en primera persona, ficción narrada y una escena con ambiente de lluvia— volvieron todos con cada palabra dicha.

SpicyAPI no añade ningún filtro de contenido: los prompts se leen tal como están escritos, sea lo que sea que contengan. Eres responsable de las escenas que describes y del uso que haces del audio resultante, incluido no presentarlo como palabras de una persona real.

Inicio rápido de la API

# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
  -H "Authorization: Bearer $SPICY_API_KEY" \
  -H "Content-Type: application/json" \
  -H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
  -d '{
  "model": "bytedance/seed-audio-1.0/text-to-audio",
  "input": {
    "output_format": "mp3",
    "prompt": "Calm ambient pads with a slow rising motif"
  }
}'

# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
  -H "Authorization: Bearer $SPICY_API_KEY"

Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.

Modelos relacionados y tareas siguientes

¿No está el modelo que buscas?

Dinos cuál añadir y para qué lo usarías. Las solicitudes llegan directamente al equipo que decide los próximos modelos.

Un solo prompt, una escena completa: voces, música y sonido juntos

Seed Audio 1.0 toma un único campo de prompt y devuelve un MP3 que puede llevar voces de varios personajes distintos, música de fondo, ambiente y efectos de sonido a la vez, en lugar de una sola voz leyendo una línea. No hay lista de voces ni clonación de voz; cada personaje se describe dentro del propio prompt, entre comillas, con una nota sobre cómo suena. Un clip dura hasta unos dos minutos, y la solicitud se cobra a una tarifa plana de $0.36 sin importar cuán largo sea el prompt ni cuánto dure el clip resultante.

Abrir el playground

Campo de la solicitud: prompt: un campo, hasta 2000 caracteres
Salida: Un MP3, de hasta unos dos minutos
Elenco: Varios personajes con voces distintas en un clip
Costo: $0.36 fijos por solicitud, sin importar la extensión del prompt
No disponible aquí: Sin lista de voces, sin clonación, sin audio o imagen de referencia
Retención: El audio generado se conserva durante 14 días

Alcance: Un prompt reemplaza toda una producciónDiálogo entre comillas, una nota sobre la música, una línea sobre el ambiente de la sala: todo va en el mismo campo de 2000 caracteres, y vuelve un MP3 con voz, música, ambiente y efectos ya mezclados. No hay una llamada aparte para la banda sonora o el ruido de fondo; el modelo lee toda la escena a partir de esa única descripción.
Cómo escribir el prompt: Escríbalo como una dirección de escenaCite las palabras exactas de cada personaje, agregue unas pocas palabras sobre cómo suena cada uno, y nombre cualquier sonido de ambiente o música en el mismo prompt. Solo se pronuncian las líneas citadas: en nuestras pruebas, la descripción de la escena en sí nunca se leyó en voz alta, así que manténgala separada del diálogo y déjela cumplir su función en silencio, dando forma a la mezcla en lugar de ser hablada.
Probado: Nuestros prompts de prueba más fuertes volvieron narrados por completoEn nuestras propias pruebas, tres prompts en nuestro nivel de contenido más fuerte (un monólogo en primera persona entre comillas, un pasaje narrado y una escena con ambiente de lluvia) volvieron con cada palabra pronunciada, y la entrega siguió el estado de ánimo descrito en el prompt: sin aliento, narrador cálido, y así sucesivamente.

Lo que la API de Seed Audio 1.0 hace bien

Diálogo entre varios personajes en un solo clip
Cite lo que dice cada personaje y describa cómo suena, y el modelo le da a cada uno una voz distinta en el mismo MP3. Eso cubre una conversación entre dos personajes o un breve intercambio grupal sin tener que unir después generaciones separadas de una sola voz.
Música, ambiente y efectos desde el mismo prompt
El prompt no se limita a lo hablado: una línea que describe música de fondo, lluvia, pasos o una puerta cerrándose se lee igual que el diálogo y se integra en la misma mezcla. No hay un campo aparte para música o efectos de sonido.
Un esquema cerrado de un solo campo
prompt es toda la solicitud, hasta 2000 caracteres, y no se acepta nada más. No hay voice_id, ni campo de idioma, ni configuración por personaje: toda la escena, elenco incluido, se describe en esa única cadena de texto.
Un precio fijo sin importar la duración del prompt o el clip
El costo es de $0.36 por solicitud sin importar cuán corto o largo sea el prompt ni cuánto dure el clip resultante, hasta el límite de unos dos minutos. Eso hace que el costo de un lote de escenas sea predecible sin medir caracteres ni segundos por adelantado.
La entrega sigue el estado de ánimo que usted describe
En nuestras pruebas, un monólogo en primera persona sin aliento y una narración cálida al estilo audiolibro volvieron cada una interpretada de una manera acorde con el estado de ánimo nombrado en el prompt, en lugar de un único estilo plano sin importar lo pedido.
Lee cada escena de prueba tal como está escrita
SpicyAPI no agrega ningún filtro de contenido sobre este endpoint. En nuestras pruebas, un monólogo, un pasaje narrado y una escena con ambiente de lluvia, cada uno escrito en nuestro nivel de contenido más fuerte, volvieron con cada palabra pronunciada. La responsabilidad sobre el material y su uso es de quien hace la solicitud.

Para quién es Seed Audio 1.0

Productores de audiodramas y podácasts de ficción
Una escena de dos personajes a partir de un prompt
Escribir las líneas de ambos personajes entre comillas con una breve nota sobre el tono permite que el modelo lleve un intercambio corto en un solo clip, en lugar de generar cada línea como una solicitud aparte de una sola voz y mezclarlas a mano después.
Diseñadores de ambiente para juegos y apps
Un paisaje sonoro, no solo una línea de diálogo
Describir el entorno —lluvia afuera, una puerta cerrándose, música de fondo— junto con cualquier línea hablada produce una escena mezclada en una sola pasada, útil para un breve momento de ambientación donde el diálogo solo se sentiría vacío.
Productores de ficción de audio sin censura
Una escena narrada con sonido, no solo una voz
En nuestras pruebas, una escena en nuestro nivel de contenido más fuerte, con ambiente de lluvia, volvió con los sonidos solicitados presentes y cada línea narrada por completo, algo importante para escenas pensadas para escucharse en vez de leerse, donde la atmósfera aporta tanto como las palabras.
Equipos de prototipado y presentación
Un borrador de escena antes de contratar una producción completa
Una sola solicitud a precio fijo convierte una descripción escrita en un boceto de audio con voces, música y efectos juntos, útil para probar cómo funciona una escena antes de comprometerse con un elenco de voces y diseño de sonido completos.

Cómo llamar a la API de Seed Audio 1.0

Escriba la escena como un solo prompt, hasta 2000 caracteres
Cite lo que dice cada personaje, anote cómo suena y describa cualquier música, ambiente o efecto en el mismo campo. No hay un campo aparte para nada de eso; toda la escena es una sola cadena de texto.
Describa las voces en el prompt, ya que no hay lista de voces
Este endpoint no tiene voice_id ni clonación, así que la voz de un personaje sale por completo de cómo se describe en el prompt —edad, tono, acento, estado de ánimo— en lugar de elegir un identificador de una lista.
Mantenga la escena en torno a los dos minutos
Una sola generación cubre hasta unos dos minutos de audio; una escena que necesite durar más debe dividirse en solicitudes separadas, cada una cobrada a la misma tarifa fija.
Envíe la solicitud a una tarifa fija de $0.36
No hay nada que estimar de antemano: el precio es siempre $0.36, ya sea que el prompt tenga una sola línea o esté cerca del límite de 2000 caracteres, sin importar cuánto dure el clip resultante.
Obtenga el MP3 y planee según la ventana de 14 días
El resultado es un MP3 con toda la escena mezclada. El audio generado se conserva 14 días, así que mueva el archivo a su propio almacenamiento si lo necesita por más tiempo.

Seed Audio 1.0 en la práctica

Una llamada telefónica de madrugada entre dos voces
Las líneas de dos personajes se citan directamente en el prompt con una breve nota sobre el tono, de modo que el modelo pueda darle a cada uno una voz distinta, de micrófono cercano en el mismo clip en lugar de una narración plana única.
```
{"prompt": "A quiet late-night phone call between two people who miss each other. Woman, warm and a little breathless: \"I wish you were here right now.\" Man, low and teasing: \"Tell me what you'd do if I were.\" Soft room tone, no music."}
```
Una escena romántica de audiolibro con ambiente
Un breve pasaje narrado junto con una descripción del entorno —lluvia afuera, un fuego crepitando— vuelve como una escena mezclada en lugar de una voz plana sobre el silencio.
```
{"prompt": "A warm female narrator reads a romance novel passage in a hushed, intimate tone: \"He pulled her closer, his breath warm against her ear.\" Rain against the window, a fire crackling softly in the background."}
```
Un breve intercambio coqueto de videojuego
Un corto ida y vuelta entre dos personajes de un juego, cada uno con una voz descrita distinta y un tono juguetón, generado como un solo clip listo para insertar en una escena.
```
{"prompt": "A playful exchange between two characters flirting after a date. Woman, light and amused: \"Careful, you're making it hard to say goodnight.\" Man, warm and confident, laughing softly: \"Then don't.\""}
```

Preguntas sobre la API de Seed Audio 1.0

Escriba el prompt más como una breve dirección de escena que como un pie de foto: cite las palabras reales que dice cada personaje, agregue unas pocas palabras sobre cómo suena cada uno, y describa el entorno a su alrededor —lluvia, música, una puerta cerrándose— en la misma cadena, ya que no hay un campo aparte para nada de eso. Como el precio es fijo por solicitud y no por carácter ni por segundo, la única palanca de costo es cuántas solicitudes necesita un proyecto, no cuánto se empaqueta en cada prompt, así que vale la pena redactar una escena por completo en lugar de dividirla para ahorrar extensión. Tenga en cuenta el límite de unos dos minutos: una escena más larga debe planearse desde el principio como más de un prompt.

Comparativas relacionadas

Seed Audio 1.0 vs Suno v6 Mini Seed Audio 1.0 vs Suno v6 Wild Seed Audio 1.0 vs Suno v6 Seed Audio 1.0 vs MiniMax Music 3.0

Playground

Entrada

Salida

Introducción

Parámetros de la solicitud

Precios

Casos de uso

Audiodramas con varios personajes

Escenas con diseño sonoro

Ficción de audio sin censura

Pistas de voz para video

Guía de prompts y consejos prácticos

Qué devuelve

Cómo escribir el prompt

Audio e imagen de referencia

Interpretación y formato

Cobro

Contenido

Inicio rápido de la API

Modelos relacionados y tareas siguientes

Un solo prompt, una escena completa: voces, música y sonido juntos

Lo que la API de Seed Audio 1.0 hace bien

Diálogo entre varios personajes en un solo clip

Música, ambiente y efectos desde el mismo prompt

Un esquema cerrado de un solo campo

Un precio fijo sin importar la duración del prompt o el clip

La entrega sigue el estado de ánimo que usted describe

Lee cada escena de prueba tal como está escrita

Para quién es Seed Audio 1.0

Una escena de dos personajes a partir de un prompt

Un paisaje sonoro, no solo una línea de diálogo

Una escena narrada con sonido, no solo una voz

Un borrador de escena antes de contratar una producción completa

Cómo llamar a la API de Seed Audio 1.0

Escriba la escena como un solo prompt, hasta 2000 caracteres

Describa las voces en el prompt, ya que no hay lista de voces

Mantenga la escena en torno a los dos minutos

Envíe la solicitud a una tarifa fija de $0.36

Obtenga el MP3 y planee según la ventana de 14 días