Seed Audio 1.0 dla scen dla dorosłych: dialog, dźwięk i żądania po 0,36 $

Wybierz Seed Audio 1.0, gdy chcesz dialog i dźwięk tła w jednej wygenerowanej scenie. Opisz dorosłych rozmówców, wstaw ich kwestie w cudzysłów i wskaż w tym samym promptcie muzykę lub atmosferę. Jedno żądanie kosztuje 0,36 $ niezależnie od długości promptu, zwraca jeden zmiksowany plik trwający maksymalnie około dwie minuty, a żądania zakończone błędem nie są płatne. Plik jest zmiksowany: nie wyciszysz deszczu ani nie poprawisz pojedynczej kwestii bez ponownej generacji, a wynik jest przechowywany 14 dni, więc pobierz go.

Na podstawie naszych testów z września 2026 roku dosadne słownictwo dla dorosłych wewnątrz cytowanych kwestii jest wypowiadane tak, jak je napisano, a opis sceny wokół niego nie jest czytany na głos.

Seed Audio czy zwykłe TTS?

Strona zadania Seed Audio używa pojedynczego prompt, a nie text plus voice_id jak zwykłe TTS. Nie ma menu głosów: opisz każdy głos w promptcie albo podaj dźwięk referencyjny. Możesz odsłuchać przykładową rozmowę w barze, 12-sekundową wymianę zdań między mężczyzną i kobietą w barze hotelu; przykładowy prompt prosi o muzykę lounge i dźwięki szkła.

Prompt, który możesz dostosować

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.

Żeby uczynić go własnym, najpierw zmień cytowane kwestie, potem oba opisy głosów, a na końcu tło.

Wypróbuj w Playground

1. Uruchom ten prompt w Seed Audio 1.0 (najpierw zaloguj się lub załóż konto).
2. W zakładce Playground pole Prompt jest już wypełnione. Zostaw Speed, Pitch i Volume na wartościach domyślnych i ustaw Output format na MP3.
3. Sprawdź wyświetloną cenę (0,36 $), a następnie naciśnij Run model.
4. Odsłuchaj wynik. Zmień cytowane kwestie lub deszcz w Prompt i uruchom ponownie.
5. Opcjonalnie: dodaj do trzech klipów w Reference audio i wywołaj je w promptcie jako @Audio1 do @Audio3.

Uruchomienie z kodu

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

Konfiguracja i wyniki znajdują się w dokumentacji CLI.

Albo niech wykona to Agent. Przekaż asystentowi powyższą CLI albo serwer MCP (wywołuje spicyapi_task_create); oba pokazują cenę i pytają przed płatnym uruchomieniem. npx skills add spicyapi-ai/spicy-skill instaluje Skill.

Trzymaj wskazówki poza cytowanymi kwestiami, żeby odróżnić je od wypowiedzi. Limit promptu to 2000 znaków.

Scenariusze dla dorosłych

W naszych testach dosadny monolog w pierwszej osobie, czytanie fikcji erotycznej i scena gęsto opisana dźwiękami z deszczem wróciły z każdym dosadnym słowem wypowiedzianym (26, 29 i 9 sekund). SpicyAPI nie dodaje do tego modelu filtra treści, więc odpowiadasz za sceny, które piszesz, i za to, by nie przedstawiać wygenerowanych głosów jako słów prawdziwej osoby.

Głosy męski i żeński w przykładzie z baru hotelowego wyraźnie się różnią, więc wymiana między dwiema postaciami działa. W długiej serii, w której jedna postać ma brzmieć identycznie w wielu plikach, podawaj za każdym razem ten sam dźwięk referencyjny i odsłuchaj przed zatwierdzeniem.

Długość

Jedno żądanie to jedna scena trwająca maksymalnie około dwie minuty, a pole długości nie istnieje. Poproś o krótką, samodzielną scenę i przytnij wynik w swoim edytorze. W przypadku dłuższej historii wygeneruj każdą scenę osobno i je połącz; to hostowane zadanie nie ma operacji przedłużania dźwięku, choć twórca modelu opisuje kontynuację jako wbudowaną możliwość.

Dźwięk referencyjny i obraz

Zadanie przyjmuje do trzech klipów MP3 lub WAV w reference_audio_urls. Odwołuj się do nich w promptcie jako @Audio1, @Audio2 i @Audio3, w kolejności, w której je podajesz:

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

Korzystaj z nagrań, na których używanie głosów masz zgodę, i wybieraj czysty klip z jedną osobą mówiącą zamiast klipu z kilkoma osobami lub muzyką. Referencje nie zmieniają ceny 0,36 $.

Możesz zamiast tego wysłać jeden image_url jako kontekst sceny, ale obrazu i referencji audio nie można łączyć. Wybierz obraz, gdy referencją jest pokój lub przedstawiona osoba; wybierz dźwięk, gdy referencją jest głos. Przy obrazie nadal wpisz kwestie i opis głosu w promptcie.

Regulatory i wybór plików

Wyjście jest stereofoniczne. opus zwraca plik Ogg Opus. pcm to stereofoniczny dźwięk 16-bitowy little-endian bez nagłówka, którego przeglądarki nie odtworzą, więc wybierz WAV, aby otrzymać te same próbki w odtwarzalnym pliku.

Popraw scenę bez przepisywania wszystkiego

Ponieważ cena jest za żądanie, jedna scena plus dwie poprawki kosztują 1,08 $, a dziesięć scen po jednej dodatkowej próbie kosztuje 7,20 $.

Co wybrać

Seed Audio to najszybsza droga do gotowej sceny dźwiękowej. Jeśli często musisz wymieniać kwestie, używaj ponownie głosów preset albo trzymaj dialog i atmosferę na osobnych ścieżkach, wygeneruj mowę osobno i zmiksuj ją samodzielnie.