Scegli Seed Audio 1.0 quando vuoi dialogo e suono di fondo in un'unica scena generata. Descrivi i parlanti adulti, metti le loro battute tra virgolette e indica nello stesso prompt la musica o l'atmosfera. Una richiesta costa $0.36 qualunque sia la lunghezza del prompt, restituisce un unico file mixato fino a circa due minuti, e le richieste fallite non vengono addebitate. Il file è mixato: non puoi silenziare la pioggia né correggere una battuta in seguito senza rigenerare, e il risultato viene conservato per 14 giorni, quindi scaricalo.
In base ai nostri test di settembre 2026, il vocabolario adulto esplicito dentro le battute tra virgolette viene pronunciato come scritto, e la descrizione della scena intorno non viene letta ad alta voce.
Seed Audio o TTS normale?
| Di cosa hai bisogno | Approccio di partenza migliore |
|---|---|
| Due personaggi che parlano sopra la pioggia o la musica, consegnati in un solo file | Seed Audio 1.0 |
| Una voce predefinita scelta che legge un copione approvato | Un'attività di sintesi vocale come Seed Speech 2.0 |
| Dialogo, atmosfera e musica su tracce di montaggio separate | Genera le voci singolarmente e mixale in locale |
| Audio sincronizzato con i movimenti della bocca | Genera la scena qui, poi passa il file a un modello di sincronizzazione labiale o di avatar parlante; questa attività non restituisce timestamp per parola |
La pagina dell'attività Seed Audio usa un solo prompt, non il text più voice_id del TTS normale. Non c'è un menu delle voci: descrivi ogni voce nel prompt oppure fornisci audio di riferimento. Puoi ascoltare l'esempio di dialogo al bar, uno scambio di 12 secondi tra un uomo e una donna al bar di un hotel; il prompt di esempio chiede musica lounge e suoni di vetro.
Un prompt che puoi adattare
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.
Per renderlo tuo, cambia prima le battute tra virgolette, poi le due descrizioni vocali, poi lo sfondo.
Provalo nel Playground
- Esegui questo prompt su Seed Audio 1.0 (accedi o crea un account prima).
- Nella scheda Playground il campo Prompt è già compilato. Lascia Speed, Pitch e Volume ai valori predefiniti e imposta Output format su MP3.
- Controlla il prezzo mostrato ($0.36), poi premi Run model.
- Ascolta il risultato. Cambia le battute tra virgolette o la pioggia in Prompt ed esegui di nuovo.
- Facoltativo: aggiungi fino a tre clip sotto Reference audio e chiamale
@Audio1fino a@Audio3nel prompt.
Eseguirlo dal codice
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 --waitSetup e risultati sono nella documentazione della CLI.
Oppure fai eseguire tutto a un agent. Dai al tuo assistente la CLI qui sopra o il server MCP (chiama spicyapi_task_create); entrambi mostrano il prezzo e chiedono prima di un'esecuzione a pagamento. npx skills add spicyapi-ai/spicy-skill installa la Skill.
Tieni le indicazioni fuori dalle citazioni attribuite per distinguerle dalle battute parlate. Il limite del prompt è di 2000 caratteri.
Copioni adulti
Nei nostri test un monologo esplicito in prima persona, una lettura di fiction per adulti e una scena ricca di suoni con pioggia sono tornati tutti con ogni parola esplicita pronunciata (26, 29 e 9 secondi). SpicyAPI non aggiunge alcun filtro di contenuto a questo modello, quindi sei responsabile delle scene che scrivi e di non far passare voci generate per parole di una persona reale.
La voce maschile e quella femminile dell'esempio al bar dell'hotel sono chiaramente diverse, quindi uno scambio tra due personaggi funziona. Per una serie lunga in cui un personaggio deve suonare identico in molti file, fornisci ogni volta lo stesso audio di riferimento e ascolta prima di impegnarti.
Durata
Una richiesta è una scena fino a circa due minuti, e non c'è un campo di durata. Chiedi una scena breve e autonoma e taglia il risultato nel tuo editor. Per una storia più lunga, genera ogni scena separatamente e uniscile; questa attività ospitata non ha alcuna operazione di estensione audio, benché lo sviluppatore del modello descriva la continuazione come una capacità nativa.
Audio di riferimento e immagine
L'attività accetta fino a tre clip MP3 o WAV in reference_audio_urls. Richiamale nel prompt come @Audio1, @Audio2 e @Audio3, nell'ordine in cui le fornisci:
Use @Audio1 as the woman's voice and @Audio2 as the man's voice. Follow the dialogue below; keep the rain quiet.
Usa registrazioni di cui hai il permesso di usare le voci e preferisci un clip chiaro di un solo parlante rispetto a uno con più persone o musica. I riferimenti non cambiano il prezzo di $0.36.
Puoi invece inviare un image_url per il contesto della scena, ma un'immagine e riferimenti audio non possono essere combinati. Scegli l'immagine quando il riferimento è la stanza o la persona ritratta; scegli l'audio quando è la voce. Con un'immagine, scrivi comunque le battute e la descrizione vocale nel prompt.
Controlli e scelta dei file
| Input | Valori supportati | Uso pratico |
|---|---|---|
speed | da 0.5 a 2; predefinito 1 | Velocità del parlato per tutto il clip, non per ogni parlante |
pitch | da -12 a +12 semitoni; predefinito 0 | Lascia a 0 per la prima scena |
volume | da 0.5 a 2; predefinito 1 | Solo il livello complessivo; non riequilibra il dialogo rispetto alla pioggia |
output_format | mp3, wav, opus, pcm | MP3 per la riproduzione web, WAV per il montaggio |
sample_rate | da 8000 a 48000 Hz (8, 16, 24, 32, 44.1, 48 kHz); predefinito 24000 | Allinealo al tuo editor |
L'uscita è stereo. opus restituisce un file Ogg Opus. pcm è stereo interleaved little-endian a 16 bit senza intestazione che i browser non possono riprodurre, quindi scegli WAV per gli stessi campioni in un file riproducibile.
Correggi la scena senza riscrivere tutto
| Cosa è andato storto | Cambia prima questo |
|---|---|
| La pioggia o la musica mascherano la risposta | Chiedi nessuna musica e pioggia più leggera; alzare volume alza anche lo sfondo |
| La descrizione della scena viene pronunciata | Tieni le indicazioni fuori dalle virgolette e attribuisci solo il dialogo |
| La battuta la dice il personaggio sbagliato | Ripeti il nome del parlante prima di ogni turno tra virgolette |
| Due voci si fondono in una | Dai a ciascuna una descrizione vocale breve e distinta; se non basta, genera turni TTS predefiniti separati |
| Una battuta richiede una modifica successiva | Usa attività vocali separate e un editor invece di una scena appiattita |
| Ti serve una durata esatta | Accorcia il dialogo e taglia; non c'è un campo di durata |
Poiché il prezzo è per richiesta, una scena più due revisioni costa $1.08, e dieci scene con un tentativo in più ciascuna costano $7.20.
Quale scegliere
Seed Audio è la via più rapida verso una scena sonora finita. Se devi sostituire spesso le battute, riutilizza voci predefinite oppure tieni dialogo e atmosfera su tracce separate, genera il parlato separatamente e mixa tu stesso.
