Choisissez Seed Audio 1.0 quand vous voulez un dialogue et un bruit de fond dans une seule scène générée. Décrivez les locuteurs adultes, mettez leurs répliques entre guillemets et nommez dans le même prompt la musique ou l'ambiance. Une requête coûte $0.36 quelle que soit la longueur du prompt, renvoie un seul fichier mixé d'environ deux minutes au maximum, et les requêtes échouées ne sont pas facturées. Le fichier est mixé : vous ne pouvez pas couper la pluie ni corriger une réplique après coup sans tout régénérer, et le résultat est conservé 14 jours, alors téléchargez-le.
D'après nos tests de septembre 2026, le vocabulaire adulte explicite contenu dans les répliques entre guillemets est prononcé tel qu'il est écrit, et la description de la scène qui l'entoure n'est pas lue à voix haute.
Seed Audio ou TTS classique ?
| Ce dont vous avez besoin | Meilleure approche de départ |
|---|---|
| Deux personnages qui parlent par-dessus la pluie ou de la musique, livrés en un seul fichier | Seed Audio 1.0 |
| Une voix prédéfinie choisie qui lit un script approuvé | Une tâche de synthèse vocale comme Seed Speech 2.0 |
| Dialogue, ambiance et musique sur des pistes de montage séparées | Générer les voix sèches séparément et les mélanger en local |
| Audio synchronisé avec les mouvements de bouche | Générer la scène ici, puis passer le fichier à un modèle de synchronisation labiale ou d'avatar parlant ; cette tâche ne renvoie pas de horodatages par mot |
La page de la tâche Seed Audio utilise un seul prompt, pas le text plus voice_id du TTS classique. Il n'y a pas de menu de voix : décrivez chaque voix dans le prompt, ou fournissez de l'audio de référence. Vous pouvez écouter l'exemple de dialogue de bar, un échange de 12 secondes entre un homme et une femme dans le bar d'un hôtel ; le prompt d'exemple demande de la musique lounge et des bruits de verre.
Un prompt que vous pouvez adapter
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.
Pour en faire le vôtre, modifiez d'abord les répliques entre guillemets, puis les deux descriptions de voix, puis l'arrière-plan.
Essayez dans le Playground
- Exécutez ce prompt sur Seed Audio 1.0 (connectez-vous ou créez un compte d'abord).
- Dans l'onglet Playground, le champ Prompt est déjà rempli. Laissez Speed, Pitch et Volume à leurs valeurs par défaut et réglez Output format sur MP3.
- Vérifiez le prix affiché ($0.36), puis appuyez sur Run model.
- Écoutez le résultat. Modifiez les répliques entre guillemets ou la pluie dans Prompt, puis relancez.
- Facultatif : ajoutez jusqu'à trois clips sous Reference audio et appelez-les
@Audio1à@Audio3dans le prompt.
Exécuter depuis le code
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 --waitL'installation et les résultats sont dans la documentation de la CLI.
Ou laissez un agent l'exécuter. Donnez à votre assistant la CLI ci-dessus ou le serveur MCP (il appelle spicyapi_task_create) ; tous les deux affichent le prix et demandent avant une exécution payante. npx skills add spicyapi-ai/spicy-skill installe le Skill.
Gardez les indications en dehors des citations attribuées pour les distinguer des répliques parlées. La limite du prompt est de 2000 caractères.
Scripts adultes
Dans nos tests, un monologue explicite à la première personne, une lecture de fiction pour adultes et une scène chargée en sons avec de la pluie sont tous revenus avec chaque mot explicite prononcé (26, 29 et 9 secondes). SpicyAPI n'ajoute aucun filtre de contenu à ce modèle : vous êtes donc responsable des scènes que vous écrivez et de ne pas faire passer des voix générées pour les mots d'une vraie personne.
Les voix masculine et féminine de l'exemple du bar d'hôtel sont nettement différentes, un échange à deux personnages fonctionne donc. Pour une longue série où un personnage doit sonner à l'identique dans de nombreux fichiers, fournissez le même audio de référence à chaque fois et écoutez avant de vous engager.
Durée
Une requête est une scène d'environ deux minutes au maximum, et il n'y a pas de champ de durée. Demandez une scène courte et autonome, puis rognez le résultat dans votre éditeur. Pour une histoire plus longue, générez chaque scène séparément et joignez-les ; cette tâche hébergée n'a aucune opération d'extension audio, bien que le développeur du modèle décrive la continuation comme une capacité native.
Audio de référence et image
La tâche accepte jusqu'à trois clips MP3 ou WAV dans reference_audio_urls. Référencez-les dans le prompt comme @Audio1, @Audio2 et @Audio3, dans l'ordre où vous les fournissez :
Use @Audio1 as the woman's voice and @Audio2 as the man's voice. Follow the dialogue below; keep the rain quiet.
Utilisez des enregistrements dont vous avez la permission d'utiliser les voix, et préférez un clip clair d'un seul locuteur à un clip avec plusieurs personnes ou de la musique. Les références ne changent pas le prix de $0.36.
Vous pouvez plutôt envoyer un image_url pour le contexte de la scène, mais une image et des références audio ne peuvent pas être combinées. Choisissez l'image quand la référence est la pièce ou la personne représentée ; choisissez l'audio quand c'est la voix. Même avec une image, écrivez les répliques et la description de voix dans le prompt.
Réglages et choix de fichiers
| Entrée | Valeurs prises en charge | Usage pratique |
|---|---|---|
speed | 0.5 à 2 ; par défaut 1 | Débit de parole pour tout le clip, pas par locuteur |
pitch | -12 à +12 demi-tons ; par défaut 0 | Laissez à 0 pour la première scène |
volume | 0.5 à 2 ; par défaut 1 | Niveau global uniquement ; il ne rééquilibre pas le dialogue face à la pluie |
output_format | mp3, wav, opus, pcm | MP3 pour la lecture web, WAV pour le montage |
sample_rate | 8000 à 48000 Hz (8, 16, 24, 32, 44.1, 48 kHz) ; par défaut 24000 | Alignez sur votre éditeur |
La sortie est stéréo. opus renvoie un fichier Ogg Opus. pcm est un stéréo entrelacé little-endian 16 bits sans en-tête que les navigateurs ne peuvent pas lire, choisissez donc WAV pour les mêmes échantillons dans un fichier lisible.
Corrigez la scène sans tout réécrire
| Ce qui a mal tourné | Changez d'abord ceci |
|---|---|
| La pluie ou la musique masque la réplique | Demandez aucune musique et une pluie plus douce ; augmenter volume relève aussi l'arrière-plan |
| La description de la scène est prononcée | Gardez les indications hors des guillemets et n'attribuez que le dialogue |
| Le mauvais personnage prononce une réplique | Répétez le nom du locuteur avant chaque tour entre guillemets |
| Deux voix se fondent en une | Donnez à chacune une description de voix courte et distincte ; si cela échoue, générez des tours TTS prédéfinis séparés |
| Une réplique doit être corrigée plus tard | Utilisez des tâches de voix séparées et un éditeur au lieu d'une scène aplatie |
| Vous avez besoin d'une durée exacte | Raccourcissez le dialogue et rognez ; il n'y a pas de champ de durée |
Comme le prix est par requête, une scène plus deux révisions coûte $1.08, et dix scènes avec une tentative supplémentaire chacune coûtent $7.20.
Lequel choisir
Seed Audio est le chemin le plus rapide vers une scène sonore finie. Si vous devez remplacer souvent des répliques, réutilisez des voix prédéfinies ou gardez le dialogue et l'ambiance sur des pistes séparées, générez la parole séparément et mélangez vous-même.
