Seed Audio 1.0 で成人向けシーン：台詞、効果音、$0.36 のリクエスト

台詞と環境音を一つの生成シーンにまとめたいときは Seed Audio 1.0 を選びます。 話者となる成人を説明し、台詞は引用符で囲み、同じプロンプトで音楽や雰囲気も指定します。プロンプトの長さにかかわらずリクエスト 1 回で $0.36、最大約 2 分のミックス済みファイルが 1 つ返り、失敗したリクエストは課金されません。ファイルはミックス済みなので、雨を消音したり台詞を後から直したりするには再生成が必要で、結果は 14 日間保存されるためダウンロードしてください。

2026 年 9 月のテストでは、引用符内の台詞にある明示的な成人向け語彙は書かれたとおりに話され、その周りのシーン説明は読み上げられませんでした。

Seed Audio と通常の TTS はどちらを使うか

Seed Audio のタスクページは、通常の TTS の text と voice_id ではなく、単一の prompt を使います。音声メニューはありません。各音声をプロンプトで説明するか、参照音声を渡してください。ホテルのバーの会話サンプルを聴くこともできます。男性と女性の 12 秒のホテルバーでのやり取りで、サンプルプロンプトはラウンジ音楽とグラスの音を求めています。

そのまま活用できるプロンプト

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.

自分のものにするには、まず台詞の引用部分を書き換え、次に二つの音声説明を書き換え、最後に背景を書き換えます。

Playground で試す

1. このプロンプトを Seed Audio 1.0 で実行（先にログインするかアカウントを作成してください）。
2. Playground タブでは Prompt 欄が既に入力されています。Speed、Pitch、Volume は既定値のままにし、Output format を MP3 にします。
3. 表示された価格（$0.36）を確認し、Run model を押します。
4. 結果を再生します。Prompt の引用台詞や雨を書き換えて、もう一度実行します。
5. 任意で Reference audio に最大三つのクリップを追加し、プロンプト内で @Audio1 から @Audio3 として呼び出します。

コードから実行する

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 --wait

セットアップと結果は CLI ドキュメントにあります。

Agent に実行させることもできます。 上記の CLI か MCP サーバー（spicyapi_task_create を呼び出します）をアシスタントに渡すと、どちらも価格を表示し、有料の実行の前に確認を求めます。npx skills add spicyapi-ai/spicy-skill で Skill をインストールできます。

発話する台詞と区別するため、指示は引用の外に置いてください。プロンプトの上限は 2000 文字です。

成人向け台本

テストでは、明示的な一人称独白も、成人向け小説の朗読も、雨と効果音が豊富なシーンも、明示的な語がすべて発話されて返ってきました（26、29、9 秒）。SpicyAPI はこのモデルにコンテンツフィルターを追加していないので、書いたシーンの内容について、また生成された音声を実在の人物の発言として扱わないことについては、あなたが責任を負います。

ホテルのバーサンプルの男性声と女性声ははっきり異なるので、二人のやり取りは成立します。一人のキャラクターが多数のファイルで同じ聞こえ方でなければならない長いシリーズでは、毎回同じ参照音声を渡して、確定する前に試聴してください。

長さ

リクエスト 1 回が最大約 2 分のシーン 1 つで、duration フィールドはありません。短く完結したシーンを要求し、結果を編集ツールでトリミングしてください。長い物語なら、シーンを別々に生成してつなぎます。このホストタスクには音声を延長する操作はありません。ただしモデル開発側は継続を標準機能として説明しています。

参照音声と画像

このタスクは reference_audio_urls に最大三つの MP3 または WAV クリップを受け取ります。渡した順に、プロンプト内で @Audio1、@Audio2、@Audio3 として参照してください：

Use @Audio1 as the woman's voice and @Audio2 as the man's voice. Follow the dialogue below; keep the rain quiet.

使用権限のある録音を使い、複数人の声や音楽が混ざったものより、一人の話者の声が明瞭なクリップを優先してください。参照音声があっても価格は $0.36 のままです。

代わりに image_url を一つ送ればシーンの背景情報として使えますが、画像と音声の参照は組み合わせられません。部屋や写っている人物を参照したい場合は画像を選び、声を参照したい場合は音声を選んでください。画像を使う場合も、台詞と音声の説明はプロンプトに書いてください。

コントロールとファイル形式

出力はステレオです。opus は Ogg Opus ファイルを返します。pcm はヘッダーなしの 16 ビット little-endian インターリーブステレオで、ブラウザでは再生できないため、同じサンプルを再生可能なファイルで得るなら WAV を選んでください。

シーン全体を書き直さず直す

価格はリクエスト単位なので、シーン 1 つに 2 回の修正を加えると $1.08、10 シーンで各 1 回ずつ再試行を追加すると $7.20 です。

どちらを選ぶか

Seed Audio は完成したシーン音に最も短い経路です。台詞を頻繁に差し替える必要があれば、プリセット音声を再利用するか、台詞と雰囲気を別トラックに分けて音声を個別に生成し、自分でミックスしてください。