Wprowadzenie
Opisz całą scenę dźwiękową w jednym prompcie: kto mówi, jak, i kwestie w cudzysłowie, a także muzykę, tło dźwiękowe czy efekty. Zadanie zwraca jeden plik audio o długości do około dwóch minut ze wszystkim, co opisałeś, także z dialogiem kilku mówców: MP3, chyba że ustawisz output_format. Aby ponownie użyć głosu, prześlij do trzech klipów referencyjnych w reference_audio_urls i nazwij je w prompcie @Audio1 do @Audio3, albo podaj jeden obraz referencyjny w image_url; speed, pitch i volume dostrajają sposób wykonania. SpicyAPI nie stosuje filtra treści: każdy prompt jest odczytywany tak, jak napisano. Każde żądanie kosztuje tę samą stałą cenę.
| Pole | Wartość |
|---|---|
| Wejście | Tekst |
| Wyjście | Audio |
| Pole wymagane | prompt — od 1 do 2000 znaków |
| Pola opcjonalne |
|
| Wynik | Jeden plik audio trwający maksymalnie około dwóch minut: domyślnie MP3, albo WAV, Ogg Opus, PCM |
| Mówcy | Kilku, opisani w prompcie albo wzięci z maksymalnie trzech klipów referencyjnych; brak listy głosów |
| Rozliczana ilość | Jedna stała cena za żądanie |
| Przechowywanie | Wygenerowane audio jest przechowywane przez 14 dni |
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Opisz całą scenę w maksymalnie 2000 znakach: każdego mówcę i sposób, w jaki brzmi, jego dokładne kwestie w cudzysłowie oraz dowolną muzykę, otoczenie dźwiękowe lub efekty dźwięk… od 1 znaków · do 2000 znaków |
reference_audio_urls | Nie | Do trzech klipów MP3 lub WAV jako odniesienie: prześlij je albo podaj publiczne URL-e. Każdy klip może trwać do 30 sekund i ważyć do 10 MB. do 3 elementów |
image_url | Nie | Opcjonalny obraz odniesienia, wokół którego powstaje dźwięk: prześlij go albo podaj publiczny URL, a potem opisz w prompt, co mówi osoba ze zdjęcia albo jak brzmi scena. od 1 znaków |
speed | Nie | Tempo mowy od 0,5 (wolniej) do 2 (szybciej); 1 to zwykłe tempo głosu. Nie zmienia ceny. |
pitch | Nie | Przesunięcie wysokości głosu w półtonach, od -12 do 12; 0 zachowuje naturalną wysokość głosu. Nie zmienia ceny. |
volume | Nie | Mnożnik głośności od 0,5 do 2; 1 to normalny poziom. Nie zmienia ceny. |
output_format | Nie | Format pliku: mp3 (domyślnie), wav, opus (Ogg Opus) lub pcm, czyli surowe 16-bitowe próbki stereo little-endian, przeplatane i bez nagłówka, z wybranym |
sample_rate | Nie | Częstotliwość próbkowania dźwięku w Hz: 8000, 16000, 24000, 32000, 44100, 48000. Wartość domyślna: 24000. |
Cennik
$0.36 / żądanie
Jedna stała cena za żądanie, jeden klip trwający maksymalnie około dwóch minut.
Zastosowania
Słuchowiska z wieloma postaciami
Opisz dwóch lub więcej mówców i ujmij ich kwestie w cudzysłów, a model nada każdemu odrębny głos w tym samym klipie — bez potrzeby osobnego modelu głosu dla każdej postaci.
Sceny z projektowaniem dźwięku
Jeden prompt może naraz zamówić dialog, muzykę w tle, otoczenie dźwiękowe i efekty dźwiękowe, dzięki czemu jedno żądanie zwraca gotową scenę zamiast pojedynczej kwestii głosowej.
Nieocenzurowana fikcja audio
Prompty są odczytywane tak, jak napisano, bez filtra treści. W naszych testach monolog w pierwszej osobie, narrowana fikcja i scena z tłem deszczu, wszystkie napisane ponad to, co akceptują inne usługi, wróciły z każdym wypowiedzianym słowem.
Ścieżki głosowe do wideo
Wygeneruj scenę tutaj, a następnie przekaż plik MP3 modelowi gadającego awatara lub synchronizacji ruchu warg, aby to twarz ją odegrała.
Wskazówki
Opisz mówców
Podaj, kto mówi i jak — zdyszanym szeptem czy ciepłym głosem narratora — i ujmij jego dokładne słowa w cudzysłów.
Dodaj pejzaż dźwiękowy
Wspomnij o dowolnej muzyce, otoczeniu dźwiękowym lub efektach dźwiękowych, które mają grać razem z dialogiem: burza deszczowa, tykający zegar, narastająca muzyka.
Zmieść się w 2000 znakach
Jeden prompt obejmuje jedną scenę trwającą maksymalnie około dwóch minut; dłuższe historie trzeba podzielić na kilka żądań.
Co zwraca
Jeden plik audio na zadanie, trwający maksymalnie około dwóch minut: MP3, o ile nie zmienisz output_format. Plik jest kopiowany do magazynu SpicyAPI i przechowywany przez 14 dni.
Jak napisać prompt
Seed Audio 1.0 przyjmuje jedno pole prompt (do 2000 znaków), które opisuje całą scenę:
- Kto mówi i jak — szept, ciepły głos narratora, krzyczana kwestia.
- Jego dokładne słowa, w cudzysłowie.
- Dowolną muzykę, otoczenie dźwiękowe lub efekty dźwiękowe, które mają grać razem z dialogiem.
Ten model obsługuje więcej niż jednego mówcę w tym samym klipie: opisz każdą postać i jej kwestie, a on nada każdej odrębny głos.
Dźwięk i obraz referencyjny
Listy głosów nie ma. Aby użyć konkretnego głosu lub dźwięku, prześlij w reference_audio_urls do trzech klipów i nazwij je w prompcie w kolejności przesłania: @Audio1, @Audio2 i @Audio3, np. „Głosem z @Audio1 mężczyzna mówi …”. Albo podaj obraz w image_url i opisz, co mówi osoba ze zdjęcia albo jak brzmi scena; obu wejść nie można łączyć. Używaj tylko głosów i obrazów, do których masz prawa.
Sposób wypowiedzi i format
speed (0,5–2), pitch (od -12 do 12 półtonów) i volume (0,5–2) dopracowują sposób wypowiedzi. output_format wybiera mp3 (domyślnie), wav, opus (Ogg Opus) lub pcm, a sample_rate mieści się w zakresie od 8000 do 48000 Hz. pcm to surowe 16-bitowe próbki stereo little-endian bez nagłówka, więc nie da się ich odsłuchać w przeglądarce; wybierz wav, aby dostać te same próbki w pliku, który da się odtworzyć. Żadne z tych ustawień nie zmienia ceny.
Rozliczenie
Jedna stała cena za żądanie, niezależnie od długości promptu. Nieudane żądania nie są naliczane.
Treść
SpicyAPI nie dodaje filtra treści. W naszych testach trzy prompty, które inne usługi odrzucają — monolog w pierwszej osobie, narrowana fikcja i scena z tłem deszczu — wróciły wszystkie z każdym wypowiedzianym słowem.
SpicyAPI nie dodaje filtra treści: prompty są odczytywane tak, jak napisano, cokolwiek zawierają. Odpowiadasz za opisywane sceny i za sposób wykorzystania uzyskanego audio, w tym za to, by nie przedstawiać go jako słów prawdziwej osoby.
Szybki start z 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"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.