Qu’est-ce que l’API Seed Audio 1.0 ?

C’est une API de texte vers audio avec un seul champ de requête, prompt, qui renvoie un MP3 construit à partir de cette description — la voix d’un ou plusieurs personnages, de la musique, une ambiance et des effets sonores, mélangés en une seule passe plutôt qu’assemblés à partir d’appels séparés. Un extrait dure jusqu’à environ deux minutes et est facturé à un forfait de 0,36 $ par requête.

Peut-elle vraiment produire une conversation entre deux personnages ?

Oui. Citez ce que dit chaque personnage dans le prompt et décrivez sa sonorité, et le modèle donne à chacun une voix distincte dans le même extrait. Il n’y a pas de champ séparé à remplir par personnage : tout l’échange est décrit dans cette seule chaîne de prompt.

Y a-t-il une liste de voix, ou puis-je cloner une voix ?

Non. Cet endpoint n’a ni paramètre voice_id ni clonage ; chaque voix d’un extrait provient de la façon dont elle est décrite dans le prompt — ton, âge, accent, humeur — plutôt que du choix d’un identifiant ou de l’envoi d’un échantillon de référence.

Puis-je ajouter de la musique ou des effets sonores, pas seulement de la voix ?

Oui, dans le même prompt. Une ligne décrivant une musique de fond, la pluie, des pas ou une porte qui se ferme est lue comme une ligne de dialogue et mélangée dans le même MP3. Il n’y a pas de champ séparé pour la musique ou les effets.

Comment la facturation fonctionne-t-elle ?

Un forfait de 0,36 $ par requête, quelle que soit la longueur du prompt de 2 000 caractères et quelle que soit la durée de l’extrait obtenu, jusqu’au plafond d’environ deux minutes. Les requêtes échouées ne sont pas facturées.

Y a-t-il un filtre de contenu sur les prompts NSFW ?

SpicyAPI n’ajoute aucun filtre de contenu. Dans nos tests, un monologue à la première personne, un passage narré et une scène avec ambiance de pluie, tous au niveau de contenu le plus fort, sont revenus avec chaque mot prononcé. La responsabilité du contenu et de son usage revient à l’appelant.

Quelle peut être la durée d’un extrait généré ?

Jusqu’à environ deux minutes par requête. Une scène devant durer plus longtemps doit être divisée en plusieurs prompts, chacun généré et facturé séparément au même tarif forfaitaire.

Qui fabrique Seed Audio 1.0 ?

C’est ByteDance Seed qui le fabrique. La documentation officielle décrit aussi des entrées audio et image de référence ainsi que le clonage vocal, dont rien n’est proposé sur cet endpoint.

Seed Audio 1.0 API

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

Seed Audio 1.0 de ByteDance transforme un prompt en scène MP3 de deux minutes max, avec répliques entre guillemets de plusieurs voix, musique et effets. Jusqu’à trois clips de référence réutilisent une voix, avec réglage de vitesse, de hauteur et de volume.

À partir de $0.36/requête

Exécuter le modèle Voir l’API

Entrée

Texte vers audio

Nous vérifions votre compte avant d’activer l’envoi et le calcul du prix.

Sortie

Prêt pour une nouvelle exécution

Rendu d’exemple

0:00 / –:––

Avatar

Parole vers texte

Synchronisation labiale

{
  "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.\""
  }
}

Introduction

Décrivez toute la scène sonore dans un seul prompt : qui parle, comment, et les répliques entre guillemets, ainsi que la musique, l'ambiance ou les effets sonores. La tâche renvoie un fichier audio d'environ deux minutes au maximum qui contient tout ce que vous avez décrit, y compris les dialogues de plusieurs intervenants : un MP3, sauf si vous définissez output_format. Pour réutiliser une voix, importez jusqu'à trois clips de référence dans reference_audio_urls et nommez-les @Audio1 à @Audio3 dans le prompt, ou donnez une image de référence dans image_url à la place ; speed, pitch et volume affinent l'interprétation. SpicyAPI n'applique aucun filtre de contenu : chaque prompt est lu tel qu'écrit. Chaque requête coûte le même prix forfaitaire.

Spécifications de Seed Audio 1.0 · Text to Audio
Champ	Valeur
Entrée	Texte
Sortie	Audio
Champ obligatoire	prompt — de 1 à 2 000 caractères
Champs optionnels	`reference_audio_urls` ou `image_url`, speed, pitch, volume, `output_format`, `sample_rate`
Résultat	Un fichier audio d’environ deux minutes maximum : MP3 par défaut, ou WAV, Ogg Opus, PCM
Locuteurs	Plusieurs, décrits dans le prompt ou repris d’au plus trois extraits de référence ; pas de liste de voix
Quantité facturée	Un prix forfaitaire par requête
Conservation	L'audio généré est conservé 14 jours

Paramètres de requête

Paramètres de requête de Seed Audio 1.0 · Text to Audio
Paramètre	Obligatoire	Description
`prompt`	Oui	Décrivez toute la scène en 2 000 caractères maximum : chaque locuteur et sa manière de sonner, ses répliques exactes entre guillemets, ainsi que toute musique, ambiance ou effet… 1 caractères minimum · 2000 caractères maximum
`reference_audio_urls`	Non	Jusqu’à trois extraits MP3 ou WAV de référence : importez-les ou indiquez des URL publiques. Chaque extrait peut durer jusqu’à 30 secondes et peser jusqu’à 10 Mo. 3 éléments maximum
`image_url`	Non	Image de référence facultative autour de laquelle le son est construit : importez-la ou indiquez une URL publique, puis décrivez dans prompt ce que dit la personne représentée o… 1 caractères minimum
`speed`	Non	Débit de parole de 0,5 (plus lent) à 2 (plus rapide) ; 1 correspond au rythme normal de la voix. Ne modifie pas le prix. `≥ 0.5` · `≤ 2` · Valeur par défaut: `1`
`pitch`	Non	Décalage de hauteur en demi-tons, de -12 à 12 ; 0 conserve la hauteur propre de la voix. Ne modifie pas le prix. `≥ -12` · `≤ 12` · Valeur par défaut: `0`
`volume`	Non	Multiplicateur de volume de 0,5 à 2 ; 1 correspond au niveau normal. Ne modifie pas le prix. `≥ 0.5` · `≤ 2` · Valeur par défaut: `1`
`output_format`	Non	Format de fichier : mp3 (par défaut), wav, opus (Ogg Opus) ou pcm, c’est-à-dire des échantillons stéréo bruts 16 bits little-endian, entrelacés et sans en-tête, au `sample_rate` c… `mp3` · `wav` · `opus` · `pcm` · Valeur par défaut: `mp3`
`sample_rate`	Non	Fréquence d’échantillonnage de l’audio en Hz : 8000, 16000, 24000, 32000, 44100, 48000. Par défaut : 24000. `8000` · `16000` · `24000` · `32000` · `44100` · `48000`

Tarification

$0.36 / requête

Un prix forfaitaire par requête, un clip d'environ deux minutes maximum.

Cas d’utilisation

Fictions audio à plusieurs personnages

Décrivez deux locuteurs ou plus et mettez leurs répliques entre guillemets, et le modèle donne à chacun une voix distincte dans le même clip — sans avoir besoin d'un modèle de voix séparé pour chaque personnage.

Scènes avec conception sonore

Un seul prompt peut demander à la fois dialogue, musique de fond, ambiance et effets sonores, de sorte qu'une seule requête renvoie une scène terminée plutôt qu'une simple ligne vocale.

Fiction audio non censurée

Les prompts sont lus tels qu'écrits, sans filtre de contenu. Dans nos tests, un monologue à la première personne, une fiction racontée et une scène sur fond de pluie, tous rédigés au-delà de ce que d'autres services acceptent, sont revenus avec chaque mot prononcé.

Pistes vocales pour la vidéo

Générez la scène ici, puis transmettez le MP3 à un modèle d'avatar parlant ou de synchronisation labiale pour qu'un visage l'interprète.

Voir les tutoriels des principaux cas d’utilisation

Guide de prompt et conseils pratiques

Décrire les locuteurs

Précisez qui parle et comment — un chuchotement essoufflé, un narrateur chaleureux — et mettez leurs mots exacts entre guillemets.
Ajouter le paysage sonore

Mentionnez toute musique, ambiance ou effet sonore que vous voulez entendre avec le dialogue : une tempête de pluie, une horloge qui tictaque, une musique qui monte en intensité.
Rester sous 2 000 caractères

Un prompt couvre une scène d'environ deux minutes maximum ; les histoires plus longues doivent être réparties sur plusieurs requêtes.

Ce qui est renvoyé

Un fichier audio par tâche, d’environ deux minutes maximum, en MP3 sauf si vous modifiez output_format. Le fichier est copié dans le stockage SpicyAPI et conservé 14 jours.

Rédiger le prompt

Seed Audio 1.0 accepte un seul champ prompt (2 000 caractères maximum) qui décrit toute la scène :

Qui parle et comment — un chuchotement, un narrateur chaleureux, une réplique criée.
Leurs mots exacts, entre guillemets.
Toute musique, ambiance ou effet sonore souhaité avec le dialogue.

Ce modèle prend en charge plusieurs locuteurs dans le même clip : décrivez chaque personnage et ses répliques, et il donne à chacun une voix distincte.

Audio et image de référence

Il n’y a pas de liste de voix. Pour réutiliser une voix ou un son, importez jusqu’à trois extraits dans reference_audio_urls et nommez-les dans le prompt @Audio1, @Audio2 et @Audio3, dans l’ordre d’envoi, par exemple « Avec la voix de @Audio1, un homme dit… ». Ou fournissez une image dans image_url et décrivez ce que dit la personne représentée ou l’ambiance sonore de la scène ; les deux entrées ne se combinent pas. N’utilisez que des voix et des images que vous avez le droit d’utiliser.

Interprétation et format

speed (0,5 à 2), pitch (-12 à 12 demi-tons) et volume (0,5 à 2) affinent l’interprétation. output_format choisit mp3 (par défaut), wav, opus (Ogg Opus) ou pcm, et sample_rate va de 8000 à 48000 Hz. pcm correspond à des échantillons stéréo bruts 16 bits little-endian sans en-tête, qu’on ne peut donc pas écouter dans un navigateur. Choisissez wav pour obtenir les mêmes échantillons dans un fichier lisible. Aucun de ces réglages ne modifie le prix.

Facturation

Un prix forfaitaire par requête, quelle que soit la longueur du prompt. Les requêtes en échec ne sont pas facturées.

Contenu

SpicyAPI n'ajoute aucun filtre de contenu. Dans nos tests, trois prompts que d'autres services refusent — un monologue à la première personne, une fiction racontée et une scène sur fond de pluie — sont tous revenus avec chaque mot prononcé.

SpicyAPI n'ajoute aucun filtre de contenu : les prompts sont lus tels qu'écrits, quel que soit leur contenu. Vous êtes responsable des scènes que vous décrivez et de l'usage que vous faites de l'audio obtenu, y compris le fait de ne pas le présenter comme les propos d'une personne réelle.

Démarrage rapide de l’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"

La référence API détaille l’authentification, le schéma complet, le polling et la gestion des erreurs.

Modèles liés et tâches suivantes

Le modèle que vous cherchez n’est pas là ?

Dites-nous lequel ajouter et à quoi il vous servira. Les demandes vont directement à l’équipe qui décide des prochains modèles.

Un seul prompt, une scène entière : voix, musique et son ensemble

Seed Audio 1.0 prend un seul champ de prompt et renvoie un MP3 capable de porter les voix de plusieurs personnages distincts, une musique de fond, une ambiance et des effets sonores en même temps, plutôt qu’une seule voix lisant une ligne. Il n’y a ni liste de voix ni clonage vocal ; chaque personnage est décrit directement dans le prompt, entre guillemets, avec une indication sur sa sonorité. Un extrait dure jusqu’à environ deux minutes, et la requête est facturée à un forfait de 0,36 $, quelle que soit la longueur du prompt ou de l’extrait obtenu.

Ouvrir le terrain de jeu

Champ de la requête: prompt — un seul champ, jusqu’à 2 000 caractères
Sortie: Un MP3, d’environ deux minutes maximum
Distribution: Plusieurs personnages aux voix distinctes dans un seul extrait
Facturation: Forfait de 0,36 $ par requête, quelle que soit la longueur du prompt
Absent de cet endpoint: Pas de liste de voix, ni clonage, ni audio ou image de référence
Conservation: L’audio généré est conservé pendant 14 jours

Portée: Un prompt remplace toute une productionDialogue entre guillemets, une note sur la musique, une ligne sur l’ambiance de la pièce — tout tient dans le même champ de 2 000 caractères, et un MP3 revient avec la voix, la musique, l’ambiance et les effets déjà mélangés. Il n’y a pas d’appel séparé pour la bande sonore ou le bruit ambiant ; le modèle lit toute la scène à partir de cette seule description.
Écriture du prompt: Écrivez-le comme une indication de mise en scèneCitez les mots exacts de chaque personnage, ajoutez quelques mots sur sa sonorité, et nommez tout son d’ambiance ou toute musique dans le même prompt. Seules les répliques citées sont dites — dans nos tests, la description de la scène elle-même n’a jamais été lue à voix haute, gardez-la donc séparée du dialogue et laissez-la jouer son rôle en silence, en façonnant le mixage plutôt qu’en étant prononcée.
Testé: Nos prompts de test les plus forts sont revenus entièrement ditsDans nos propres tests, trois prompts au niveau de contenu le plus fort (un monologue à la première personne entre guillemets, un passage narré et une scène avec ambiance de pluie) sont tous revenus avec chaque mot prononcé, et la restitution suivait l’ambiance décrite dans le prompt — soufflée, ton de narrateur chaleureux, etc.

Ce que l’API Seed Audio 1.0 fait bien

Un dialogue entre plusieurs personnages dans un seul extrait
Citez ce que dit chaque personnage et décrivez sa sonorité, et le modèle donne à chacun une voix distincte dans le même MP3. Cela couvre un dialogue entre deux personnages ou un court échange de groupe sans avoir à assembler ensuite des générations à voix unique séparées.
Musique, ambiance et effets depuis le même prompt
Le prompt ne se limite pas au parlé : une ligne décrivant une musique de fond, la pluie, des pas ou une porte qui se ferme est lue de la même manière qu’un dialogue et s’intègre au même mixage. Il n’y a pas de champ séparé pour la musique ou les effets sonores.
Un schéma fermé à un seul champ
prompt constitue toute la requête, jusqu’à 2 000 caractères, et rien d’autre n’est accepté. Il n’y a ni voice_id, ni champ de langue, ni réglage par personnage — toute la scène, distribution comprise, est décrite dans cette seule chaîne.
Un prix forfaitaire quelle que soit la durée du prompt ou de l’extrait
La facturation est de 0,36 $ par requête, que le prompt soit court ou long, et quelle que soit la durée de l’extrait obtenu, jusqu’au plafond d’environ deux minutes. Le coût d’un lot de scènes devient ainsi prévisible sans mesurer les caractères ou les secondes à l’avance.
La restitution suit l’ambiance décrite
Dans nos tests, un monologue à la première personne soufflé et une narration chaleureuse de style audiolivre sont tous deux revenus interprétés d’une manière correspondant à l’ambiance nommée dans le prompt, plutôt que dans un style de lecture unique et plat quelle que soit la demande.
Lit chaque scène de test telle qu’écrite
SpicyAPI n’ajoute aucun filtre de contenu à cet endpoint. Dans nos tests, un monologue, un passage narré et une scène avec ambiance de pluie, chacun écrit au niveau de contenu le plus fort, sont tous revenus avec chaque mot prononcé. La responsabilité du contenu et de son usage revient à l’appelant.

Pour qui Seed Audio 1.0 est fait

Producteurs de fictions audio et de podcasts
Une scène à deux personnages à partir d’un prompt
Écrire les répliques des deux personnages entre guillemets avec une courte note sur le ton permet au modèle de porter un court échange dans un seul extrait, plutôt que de générer chaque ligne comme une requête à voix unique séparée puis de les mélanger à la main ensuite.
Concepteurs d’ambiance pour jeux et applis
Un paysage sonore, pas seulement une ligne de dialogue
Décrire la pièce — la pluie dehors, une porte qui se ferme, une musique de fond — aux côtés d’une réplique produit une scène mélangée en une seule passe, utile pour un court moment d’établissement où le dialogue seul paraîtrait nu.
Producteurs de fiction audio sans censure
Une scène narrée avec du son, pas seulement une voix
Dans nos tests, une scène au niveau de contenu le plus fort, sur une ambiance de pluie, est revenue avec les sons demandés présents et chaque réplique entièrement dite, ce qui compte pour des scènes destinées à être écoutées plutôt que lues, où l’atmosphère compte autant que les mots.
Équipes de prototypage et de pitch
Une ébauche de scène avant d’engager une production complète
Une seule requête à prix forfaitaire transforme une description de scène écrite en esquisse audio avec voix, musique et effets ensemble, utile pour tester comment une scène fonctionne avant de s’engager dans un casting vocal et un travail sonore complets.

Comment appeler l’API Seed Audio 1.0

Écrivez la scène comme un seul prompt, jusqu’à 2 000 caractères
Citez ce que dit chaque personnage, notez sa sonorité, et décrivez toute musique, ambiance ou effet dans le même champ. Il n’y a pas de champ séparé pour cela ; toute la scène tient dans une seule chaîne.
Décrivez les voix dans le prompt, puisqu’il n’y a pas de liste de voix
Cet endpoint n’a ni voice_id ni clonage, donc la voix d’un personnage vient entièrement de la façon dont elle est décrite dans le prompt — âge, ton, accent, humeur — plutôt que du choix d’un identifiant dans une liste.
Gardez la scène autour de deux minutes
Une seule génération couvre jusqu’à environ deux minutes d’audio ; une scène devant durer plus longtemps doit être divisée en requêtes séparées, chacune facturée au même tarif forfaitaire.
Envoyez la requête à un forfait de 0,36 $
Rien à estimer au préalable : le prix reste 0,36 $, que le prompt soit une seule ligne ou proche de la limite de 2 000 caractères, et quelle que soit la durée de l’extrait obtenu.
Récupérez le MP3 et prévoyez la fenêtre de 14 jours
Le résultat est un MP3 contenant toute la scène mélangée. L’audio généré est conservé 14 jours : transférez le fichier vers votre propre stockage si vous en avez besoin plus longtemps.

Seed Audio 1.0 à l’œuvre

Un appel téléphonique tardif entre deux voix
Les répliques de deux personnages sont citées directement dans le prompt avec une courte note sur le ton, de sorte que le modèle puisse donner à chacun une voix distincte captée de près dans le même extrait plutôt qu’une narration plate unique.
```
{"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."}
```
Une scène d’audiolivre romantique avec ambiance
Un court passage narré associé à une description de la pièce — la pluie dehors, un feu qui crépite — revient comme une scène mélangée plutôt qu’une voix plate sur fond de silence.
```
{"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 court échange enjoué pour un jeu

Un bref échange entre deux personnages de jeu, chacun avec une voix décrite distincte et un ton joueur, généré comme un seul extrait prêt à insérer dans une scène.

{"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.\""}

Questions sur l’API Seed Audio 1.0

Écrivez le prompt davantage comme une courte indication de mise en scène que comme une légende : citez les mots réels que dit chaque personnage, ajoutez quelques mots sur sa sonorité, et décrivez la pièce autour d’eux — pluie, musique, une porte qui se ferme — dans la même chaîne, puisqu’il n’y a pas de champ séparé pour cela. La tarification étant forfaitaire par requête plutôt que par caractère ou par seconde, le seul levier de coût est le nombre de requêtes dont un projet a besoin, pas ce qui est mis dans chaque prompt ; mieux vaut donc rédiger une scène complètement plutôt que la diviser pour gagner en longueur. Gardez un œil sur le plafond d’environ deux minutes : une scène plus longue doit être planifiée dès le départ comme plus d’un prompt.

Comparatifs associés

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

Atelier

Entrée

Sortie

Introduction

Paramètres de requête

Tarification

Cas d’utilisation

Fictions audio à plusieurs personnages

Scènes avec conception sonore

Fiction audio non censurée

Pistes vocales pour la vidéo

Guide de prompt et conseils pratiques

Ce qui est renvoyé

Rédiger le prompt

Audio et image de référence

Interprétation et format

Facturation

Contenu

Démarrage rapide de l’API

Modèles liés et tâches suivantes

Un seul prompt, une scène entière : voix, musique et son ensemble

Ce que l’API Seed Audio 1.0 fait bien

Un dialogue entre plusieurs personnages dans un seul extrait

Musique, ambiance et effets depuis le même prompt

Un schéma fermé à un seul champ

Un prix forfaitaire quelle que soit la durée du prompt ou de l’extrait

La restitution suit l’ambiance décrite

Lit chaque scène de test telle qu’écrite

Pour qui Seed Audio 1.0 est fait

Une scène à deux personnages à partir d’un prompt

Un paysage sonore, pas seulement une ligne de dialogue

Une scène narrée avec du son, pas seulement une voix

Une ébauche de scène avant d’engager une production complète

Comment appeler l’API Seed Audio 1.0

Écrivez la scène comme un seul prompt, jusqu’à 2 000 caractères

Décrivez les voix dans le prompt, puisqu’il n’y a pas de liste de voix

Gardez la scène autour de deux minutes

Envoyez la requête à un forfait de 0,36 $

Récupérez le MP3 et prévoyez la fenêtre de 14 jours