Cos'è l'API Seed Audio 1.0?

È un'API di testo in audio con un unico campo di richiesta, prompt, che restituisce un MP3 costruito a partire da quella descrizione: voce di uno o più personaggi, musica, ambientazione ed effetti sonori, mixati in un solo passaggio invece che assemblati da chiamate separate. Una clip dura fino a circa due minuti ed è fatturata a un prezzo fisso di 0,36$ a richiesta.

Può davvero produrre una conversazione tra due personaggi?

Sì. Cita ciò che dice ogni personaggio nel prompt e descrivi come suona ciascuno, e il modello dà a ciascuno una voce distinta nella stessa clip. Non c'è un campo separato da compilare per personaggio: l'intero scambio è descritto in quell'unica stringa di prompt.

C'è una lista di voci, o posso clonare una voce?

No. Questo endpoint non ha il parametro voice_id né il cloning; ogni voce in una clip nasce da come viene descritta nel prompt — tono, età, accento, umore — invece che dalla scelta di un identificativo o dal caricamento di un campione di riferimento.

Posso aggiungere musica o effetti sonori, non solo voce?

Sì, nello stesso prompt. Una riga che descrive musica di sottofondo, pioggia, passi o una porta che si chiude viene letta come una battuta di dialogo e mixata nello stesso MP3. Non c'è un campo separato per musica o effetti.

Come funziona la fatturazione?

Un prezzo fisso di 0,36$ a richiesta, indipendentemente da quanto sia corto o lungo il prompt di 2.000 caratteri e da quanto duri la clip risultante, fino al limite di circa due minuti. Le richieste fallite non vengono addebitate.

C'è un filtro sui contenuti per i prompt NSFW?

SpicyAPI non aggiunge alcun filtro sui contenuti. Nei nostri test, un monologo in prima persona, un passaggio narrato e una scena con ambientazione di pioggia, tutti al nostro livello di contenuto più forte, sono tornati con ogni parola pronunciata. La responsabilità sul materiale e sul suo uso resta di chi effettua la richiesta.

Quanto può durare una clip generata?

Fino a circa due minuti a richiesta. Una scena che deve durare più a lungo va divisa in più prompt, generati e fatturati separatamente allo stesso prezzo fisso.

Chi realizza Seed Audio 1.0?

Lo realizza ByteDance Seed. La documentazione ufficiale descrive anche input audio e immagine di riferimento e cloning vocale, nulla dei quali è offerto su questo endpoint.

Seed Audio 1.0 API

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

Seed Audio 1.0 di ByteDance trasforma un prompt in una scena MP3 fino a circa due minuti, con battute tra virgolette di più speaker più musica ed effetti sonori. Fino a tre clip di riferimento riusano una voce; controlli di velocità, tono e volume.

Da $0.36/richiesta

Esegui il modello Vedi l’API

Input

Da testo ad audio

Controllo del tuo account prima di abilitare invio e prezzi.

Output

Pronto per una nuova esecuzione

Risultato di esempio

0:00 / –:––

Avatar

Da voce a testo

Sincronizzazione 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.\""
  }
}

Introduzione

Descrivi l'intera scena audio in un unico prompt: chi parla, come, e le battute tra virgolette, più eventuale musica, ambiente o effetti sonori. L'attività restituisce un file audio fino a circa due minuti con tutto ciò che hai descritto, compreso il dialogo di più parlanti: un MP3, a meno che tu non imposti output_format. Per riutilizzare una voce, carica fino a tre clip di riferimento in reference_audio_urls e chiamale @Audio1 fino a @Audio3 nel prompt, oppure indica un'immagine di riferimento in image_url; speed, pitch e volume regolano finemente l'interpretazione. SpicyAPI non applica alcun filtro sui contenuti: ogni prompt viene letto così com'è scritto. Ogni richiesta costa lo stesso prezzo fisso.

Specifiche di Seed Audio 1.0 · Text to Audio
Campo	Valore
Input	Testo
Output	Audio
Campo obbligatorio	prompt — da 1 a 2.000 caratteri
Campi opzionali	`reference_audio_urls` o `image_url`, speed, pitch, volume, `output_format`, `sample_rate`
Risultato	Un file audio di massimo circa due minuti: MP3 per impostazione predefinita, oppure WAV, Ogg Opus, PCM
Speaker	Più di uno, descritti nel prompt o presi da fino a tre clip di reference; nessuna lista di voci
Quantità fatturata	Un prezzo fisso per richiesta
Conservazione	L'audio generato viene conservato 14 giorni

Parametri della richiesta

Parametri della richiesta di Seed Audio 1.0 · Text to Audio
Parametro	Obbligatorio	Nota
`prompt`	Sì	Descrivi l'intera scena in massimo 2.000 caratteri: ogni speaker e come suona, le sue battute esatte tra virgolette, e qualsiasi musica, ambiente o effetto sonoro. almeno 1 caratteri · al massimo 2000 caratteri
`reference_audio_urls`	No	Fino a tre clip MP3 o WAV di riferimento: caricale o indica URL pubblici. Ogni clip può durare fino a 30 secondi e pesare fino a 10 MB. al massimo 3 elementi
`image_url`	No	Immagine di riferimento facoltativa attorno a cui viene costruito l'audio: caricala o indica un URL pubblico, poi descrivi nel prompt cosa dice la persona ritratta o come suona… almeno 1 caratteri
`speed`	No	Velocità del parlato da 0,5 (più lenta) a 2 (più veloce); 1 è il ritmo normale della voce. Non cambia il prezzo. `≥ 0.5` · `≤ 2` · Predefinito: `1`
`pitch`	No	Spostamento dell'intonazione in semitoni, da -12 a 12; 0 mantiene l'altezza naturale della voce. Non cambia il prezzo. `≥ -12` · `≤ 12` · Predefinito: `0`
`volume`	No	Moltiplicatore del volume da 0,5 a 2; 1 è il livello normale. Non cambia il prezzo. `≥ 0.5` · `≤ 2` · Predefinito: `1`
`output_format`	No	Formato del file: mp3 (predefinito), wav, opus (Ogg Opus) oppure pcm, cioè campioni stereo grezzi a 16 bit little-endian, interlacciati e senza intestazione, al `sample_rate` scelto. `mp3` · `wav` · `opus` · `pcm` · Predefinito: `mp3`
`sample_rate`	No	Frequenza di campionamento dell'audio in Hz: 8000, 16000, 24000, 32000, 44100, 48000. Valore predefinito: 24000. `8000` · `16000` · `24000` · `32000` · `44100` · `48000`

Prezzi

$0.36 / richiesta

Un prezzo fisso per richiesta, una clip di massimo circa due minuti.

Casi d’uso

Audiodrammi multi-personaggio

Descrivi due o più speaker e metti le loro battute tra virgolette, e il modello dà a ciascuno una voce distinta nella stessa clip — senza bisogno di un modello vocale separato per ogni personaggio.

Scene con sound design

Un solo prompt può richiedere insieme dialogo, musica di sottofondo, ambiente e effetti sonori, così una singola richiesta restituisce una scena completa invece di una semplice battuta vocale.

Fiction audio senza censure

I prompt vengono letti così come sono scritti, senza filtro sui contenuti. Nei nostri test un monologo in prima persona, una finzione narrata e una scena con ambiente di pioggia, tutti scritti oltre ciò che altri servizi accettano, sono tornati con ogni parola pronunciata.

Tracce vocali per video

Genera la scena qui, poi passa l'MP3 a un modello talking-avatar o lip-sync perché un volto la interpreti.

Esplora i tutorial sui casi d’uso principali

Consigli avanzati

Descrivi gli speaker

Indica chi parla e come — un sussurro senza fiato, un narratore caldo — e metti le loro parole esatte tra virgolette.
Aggiungi il paesaggio sonoro

Cita qualsiasi musica, ambiente o effetto sonoro che vuoi accanto al dialogo: un temporale, un orologio che ticchetta, una colonna sonora che cresce.
Resta entro i 2.000 caratteri

Un prompt copre una scena di massimo circa due minuti; storie più lunghe vanno divise su più richieste.

Cosa restituisce

Un file audio per task, di massimo circa due minuti: un MP3, salvo che tu cambi output_format. Il file viene copiato nello storage di SpicyAPI e conservato 14 giorni.

Come scrivere il prompt

Seed Audio 1.0 accetta un solo campo prompt (massimo 2.000 caratteri) che descrive l'intera scena:

Chi parla e come — un sussurro, un narratore caldo, una battuta gridata.
Le loro parole esatte, tra virgolette.
Qualsiasi musica, ambiente o effetto sonoro che vuoi accanto al dialogo.

Questo modello supporta più di uno speaker nella stessa clip: descrivi ogni personaggio e le sue battute, e dà a ciascuno una voce distinta.

Audio e immagine di reference

Non c'è una lista di voci. Per riusare una voce o un suono, carica fino a tre clip in reference_audio_urls e chiamale nel prompt @Audio1, @Audio2 e @Audio3, nell'ordine di caricamento, per esempio “Con la voce di @Audio1, un uomo dice …”. Oppure fornisci un'immagine in image_url e descrivi cosa dice la persona ritratta o come suona la scena; i due input non si combinano. Usa solo voci e immagini che hai il diritto di usare.

Resa e formato

speed (0,5–2), pitch (da -12 a 12 semitoni) e volume (0,5–2) rifiniscono la resa. output_format sceglie mp3 (predefinito), wav, opus (Ogg Opus) o pcm, e sample_rate va da 8000 a 48000 Hz. pcm sono campioni stereo grezzi a 16 bit little-endian senza intestazione, quindi non si possono ascoltare nel browser; scegli wav per avere gli stessi campioni in un file riproducibile. Nessuna di queste opzioni cambia il prezzo.

Fatturazione

Un prezzo fisso per richiesta, qualunque sia la lunghezza del prompt. Le richieste fallite non vengono addebitate.

Contenuto

SpicyAPI non aggiunge alcun filtro sui contenuti. Nei nostri test, tre prompt che altri servizi rifiutano — un monologo in prima persona, una finzione narrata e una scena con ambiente di pioggia — sono tornati tutti con ogni parola pronunciata.

SpicyAPI non aggiunge alcun filtro sui contenuti: i prompt vengono letti così come sono scritti, qualunque sia il loro contenuto. Sei responsabile delle scene che descrivi e dell'uso che fai dell'audio ottenuto, incluso il non farlo passare per parole di una persona reale.

Avvio rapido dell’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"

Nel riferimento dell’API trovi autenticazione, schema completo, polling e gestione degli errori.

Modelli correlati e attività successive

Manca il modello che ti serve?

Dicci cosa aggiungere e dove lo useresti. Le richieste arrivano a chi decide quali modelli integrare per primi.

Un solo prompt, un'intera scena: voci, musica e suono insieme

Seed Audio 1.0 prende un unico campo prompt e restituisce un MP3 in grado di portare le voci di più personaggi distinti, musica di sottofondo, ambientazione ed effetti sonori tutti insieme, invece di una sola voce che legge una battuta. Non c'è una lista di voci né cloning vocale; ogni personaggio viene descritto direttamente nel prompt, tra virgolette, con una nota su come suona. Una clip dura fino a circa due minuti, e la richiesta viene fatturata a un prezzo fisso di 0,36$ indipendentemente dalla lunghezza del prompt o dalla durata della clip risultante.

Apri il playground

Campo della richiesta: prompt: un campo, fino a 2.000 caratteri
Output: Un MP3, fino a circa due minuti
Cast: Più personaggi con voci distinte in una clip
Costo: 0,36$ fissi a richiesta, indipendentemente dalla lunghezza del prompt
Non disponibile qui: Nessuna lista di voci, nessun cloning, nessun audio o immagine di riferimento
Conservazione: L'audio generato resta disponibile per 14 giorni

Ambito: Un prompt sostituisce un'intera produzioneDialogo tra virgolette, una nota sulla musica, una riga sull'ambiente della stanza: tutto entra nello stesso campo di 2.000 caratteri, e torna un MP3 con voce, musica, ambientazione ed effetti già mixati. Non c'è una chiamata separata per la colonna sonora o il rumore ambientale; il modello legge l'intera scena a partire da quella singola descrizione.
Scrittura del prompt: Scrivilo come un'indicazione di regiaCita le parole esatte di ogni personaggio, aggiungi qualche parola su come suona ciascuno, e indica qualsiasi suono ambientale o musica nello stesso prompt. Vengono pronunciate solo le battute citate: nei nostri test, la descrizione della scena in sé non è mai stata letta ad alta voce, quindi tienila separata dal dialogo e lasciala svolgere il suo compito in silenzio, dando forma al mix invece di essere pronunciata.
Testato: I nostri prompt di test più forti sono tornati narrati per interoNei nostri test, tre prompt al nostro livello di contenuto più forte (un monologo in prima persona tra virgolette, un passaggio narrato e una scena con ambientazione di pioggia) sono tornati tutti con ogni parola pronunciata, e la resa seguiva l'atmosfera descritta nel prompt: senza fiato, narratore caldo, e così via.

Cosa fa bene l’API Seed Audio 1.0

Dialogo tra più personaggi in una sola clip
Cita ciò che dice ogni personaggio e descrivi come suona, e il modello dà a ciascuno una voce distinta nello stesso MP3. Questo copre una conversazione tra due personaggi o un breve scambio di gruppo senza dover unire in seguito generazioni a voce singola separate.
Musica, ambientazione ed effetti dallo stesso prompt
Il prompt non si limita al parlato: una riga che descrive musica di sottofondo, pioggia, passi o una porta che si chiude viene letta allo stesso modo del dialogo e confluisce nello stesso mix. Non c'è un campo separato per musica o effetti sonori.
Uno schema chiuso a un solo campo
prompt è l'intera richiesta, fino a 2.000 caratteri, e non viene accettato nient'altro. Non c'è voice_id, né campo lingua, né impostazione per personaggio: l'intera scena, cast incluso, è descritta in quell'unica stringa.
Un prezzo fisso indipendentemente dalla durata del prompt o della clip
Il costo è di 0,36$ a richiesta, indipendentemente da quanto sia corto o lungo il prompt o da quanto duri la clip risultante, fino al limite di circa due minuti. Questo rende prevedibile il costo di un lotto di scene senza misurare caratteri o secondi in anticipo.
La resa segue l'atmosfera che descrivi
Nei nostri test, un monologo in prima persona senza fiato e una narrazione calda in stile audiolibro sono tornati ciascuno interpretato in un modo coerente con l'atmosfera indicata nel prompt, invece di un unico stile di lettura piatto indipendentemente dalla richiesta.
Legge ogni scena di test così come è scritta
SpicyAPI non aggiunge alcun filtro sui contenuti a questo endpoint. Nei nostri test, un monologo, un passaggio narrato e una scena con ambientazione di pioggia, ciascuno al nostro livello di contenuto più forte, sono tornati tutti con ogni parola pronunciata. La responsabilità sul materiale e sul suo uso resta di chi effettua la richiesta.

A chi è utile Seed Audio 1.0

Produttori di audiodrammi e podcast narrativi
Una scena a due personaggi da un prompt
Scrivere le battute di entrambi i personaggi tra virgolette con una breve nota sul tono permette al modello di portare un breve scambio in una sola clip, invece di generare ogni battuta come richiesta separata a voce singola e mixarle a mano in seguito.
Progettisti di ambientazioni per giochi e app
Un paesaggio sonoro, non solo una battuta di dialogo
Descrivere l'ambiente — pioggia fuori, una porta che si chiude, musica di sottofondo — insieme a qualsiasi battuta produce una scena mixata in un solo passaggio, utile per un breve momento di ambientazione dove il solo dialogo risulterebbe spoglio.
Produttori di narrativa audio senza censura
Una scena narrata con suono, non solo una voce
Nei nostri test, una scena al livello di contenuto più forte, con ambientazione di pioggia, è tornata con i suoni richiesti presenti e ogni battuta narrata per intero, un aspetto importante per scene pensate per essere ascoltate anziché lette, dove l’atmosfera conta quanto le parole.
Team di prototipazione e pitch
Un abbozzo di scena prima di ingaggiare una produzione completa
Una singola richiesta a prezzo fisso trasforma una descrizione di scena scritta in uno schizzo audio con voci, musica ed effetti insieme, utile per testare come funziona una scena prima di impegnarsi in un cast vocale e un lavoro sul sound design completi.

Come chiamare l’API Seed Audio 1.0

Scrivi la scena come un unico prompt, fino a 2.000 caratteri
Cita ciò che dice ogni personaggio, annota come suona e descrivi musica, ambientazione o effetti nello stesso campo. Non c'è un campo separato per niente di tutto ciò; l'intera scena è un'unica stringa.
Descrivi le voci nel prompt, dato che non c'è una lista di voci
Questo endpoint non ha voice_id né cloning, quindi la voce di un personaggio nasce interamente da come viene descritta nel prompt — età, tono, accento, umore — invece che dalla scelta di un identificativo da una lista.
Mantieni la scena intorno ai due minuti
Una singola generazione copre fino a circa due minuti di audio; una scena che deve durare più a lungo va divisa in richieste separate, ciascuna fatturata allo stesso prezzo fisso.
Invia la richiesta a un prezzo fisso di 0,36$
Non c'è nulla da stimare in anticipo: il prezzo è sempre 0,36$, che il prompt sia una sola riga o vicino al limite di 2.000 caratteri, e indipendentemente da quanto duri la clip risultante.
Recupera l'MP3 e pianifica in base alla finestra di 14 giorni
Il risultato è un MP3 con l'intera scena mixata. L'audio generato resta disponibile per 14 giorni: sposta il file nel tuo archivio se ti serve più a lungo.

Seed Audio 1.0 all’opera

Una telefonata a tarda notte tra due voci
Le battute di due personaggi sono citate direttamente nel prompt con una breve nota sul tono, così che il modello possa dare a ciascuno una voce distinta, da microfono ravvicinato nella stessa clip invece di un'unica narrazione piatta.
```
{"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 scena romantica di audiolibro con ambientazione
Un breve passaggio narrato insieme a una descrizione dell'ambiente — pioggia fuori, un fuoco che scoppietta — torna come un'unica scena mixata invece di una voce piatta sul silenzio.
```
{"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 scambio civettuolo per un gioco
Un breve botta e risposta tra due personaggi di un gioco, ciascuno con una voce descritta distinta e un tono giocoso, generato come una sola clip pronta da inserire in una scena.
```
{"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.\""}
```

Domande sull’API Seed Audio 1.0

Scrivi il prompt più come una breve indicazione di regia che come una didascalia: cita le parole effettive che dice ogni personaggio, aggiungi qualche parola su come suona ciascuno, e descrivi l'ambiente intorno a loro — pioggia, musica, una porta che si chiude — nella stessa stringa, dato che non c'è un campo separato per niente di tutto ciò. Poiché il prezzo è fisso a richiesta e non per carattere o per secondo, l'unica leva di costo è quante richieste servono a un progetto, non quanto viene inserito in ogni prompt: conviene quindi scrivere una scena per intero invece di dividerla per risparmiare lunghezza. Tieni d'occhio il limite di circa due minuti: una scena più lunga va pianificata fin dall'inizio come più di un prompt.

Confronti correlati

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

Input

Output

Introduzione

Parametri della richiesta

Prezzi

Casi d’uso

Audiodrammi multi-personaggio

Scene con sound design

Fiction audio senza censure

Tracce vocali per video

Consigli avanzati

Cosa restituisce

Come scrivere il prompt

Audio e immagine di reference

Resa e formato

Fatturazione

Contenuto

Avvio rapido dell’API

Modelli correlati e attività successive

Un solo prompt, un'intera scena: voci, musica e suono insieme

Cosa fa bene l’API Seed Audio 1.0

Dialogo tra più personaggi in una sola clip

Musica, ambientazione ed effetti dallo stesso prompt

Uno schema chiuso a un solo campo

Un prezzo fisso indipendentemente dalla durata del prompt o della clip

La resa segue l'atmosfera che descrivi

Legge ogni scena di test così come è scritta

A chi è utile Seed Audio 1.0

Una scena a due personaggi da un prompt

Un paesaggio sonoro, non solo una battuta di dialogo

Una scena narrata con suono, non solo una voce

Un abbozzo di scena prima di ingaggiare una produzione completa

Come chiamare l’API Seed Audio 1.0

Scrivi la scena come un unico prompt, fino a 2.000 caratteri

Descrivi le voci nel prompt, dato che non c'è una lista di voci

Mantieni la scena intorno ai due minuti

Invia la richiesta a un prezzo fisso di 0,36$

Recupera l'MP3 e pianifica in base alla finestra di 14 giorni