Escolha Seed Audio 1.0 quando quiser diálogo e som de fundo em uma única cena gerada. Descreva os falantes adultos, coloque as falas entre aspas e indique no mesmo prompt a música ou a ambientação. Uma requisição custa $0.36 qualquer que seja o tamanho do prompt, devolve um único arquivo mixado de até cerca de dois minutos, e requisições com falha não são cobradas. O arquivo é mixado: você não consegue silenciar a chuva nem corrigir uma fala depois sem regenerar tudo, e o resultado fica guardado por 14 dias, então baixe-o.
Com base nos nossos testes de setembro de 2026, o vocabulário adulto explícito dentro das falas entre aspas é falado como foi escrito, e a descrição da cena ao redor não é lida em voz alta.
Seed Audio ou TTS comum?
| O que você precisa | Ponto de partida melhor |
|---|---|
| Dois personagens conversando sobre chuva ou música, entregues em um único arquivo | Seed Audio 1.0 |
| Uma voz predefinida escolhida lendo um roteiro aprovado | Uma tarefa de síntese de voz como Seed Speech 2.0 |
| Diálogo, ambientação e música em faixas de edição separadas | Gere as vozes separadamente e misture localmente |
| Áudio sincronizado com movimentos da boca | Gere a cena aqui e passe o arquivo para um modelo de sincronização labial ou de avatar falante; esta tarefa não retorna marcações de tempo por palavra |
A página da tarefa Seed Audio usa um único prompt, não o text mais voice_id do TTS comum. Não há menu de vozes: descreva cada voz no prompt ou forneça áudio de referência. Você pode ouvir a amostra de diálogo no bar, uma troca de 12 segundos entre um homem e uma mulher no bar de um hotel; o prompt de exemplo pede música lounge e sons de vidro.
Um prompt que você pode adaptar
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.
Para torná-lo seu, mude primeiro as falas entre aspas, depois as duas descrições de voz e por último o fundo.
Teste no Playground
- Execute este prompt no Seed Audio 1.0 (entre primeiro ou crie uma conta).
- Na aba Playground, o campo Prompt já está preenchido. Deixe Speed, Pitch e Volume nos valores padrão e defina Output format como MP3.
- Verifique o preço exibido ($0.36) e depois pressione Run model.
- Ouça o resultado. Mude as falas entre aspas ou a chuva em Prompt e execute de novo.
- Opcional: adicione até três clipes em Reference audio e chame-os de
@Audio1a@Audio3no prompt.
Executar pelo código
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 --waitA configuração e os resultados estão na documentação da CLI.
Ou deixe um agente executar. Passe ao seu assistente a CLI acima ou o servidor MCP (ele chama spicyapi_task_create); ambos mostram o preço e perguntam antes de uma execução paga. npx skills add spicyapi-ai/spicy-skill instala a Skill.
Mantenha as indicações fora das citações atribuídas para diferenciá-las das falas que serão faladas. O limite do prompt é de 2000 caracteres.
Roteiros adultos
Nos nossos testes, um monólogo explícito em primeira pessoa, uma leitura de ficção adulta e uma cena cheia de indicações de som, com chuva voltaram todos com cada palavra explícita falada (26, 29 e 9 segundos). O SpicyAPI não adiciona nenhum filtro de conteúdo a este modelo, então você é responsável pelas cenas que escreve e por não passar vozes geradas como palavras de uma pessoa real.
As vozes masculina e feminina da amostra do bar do hotel são claramente diferentes, então uma troca entre dois personagens funciona. Para uma série longa em que um personagem precisa soar idêntico em muitos arquivos, forneça o mesmo áudio de referência todas as vezes e ouça antes de fechar.
Duração
Uma requisição é uma cena de até cerca de dois minutos, e não há campo de duração. Peça uma cena curta e autossuficiente e corte o resultado no seu editor. Para uma história mais longa, gere cada cena separadamente e junte-as; esta tarefa hospedada não tem nenhuma operação de estender áudio, embora o desenvolvedor do modelo descreva a continuação como recurso nativo.
Áudio de referência e imagem
A tarefa aceita até três clipes MP3 ou WAV em reference_audio_urls. Refira-se a eles no prompt como @Audio1, @Audio2 e @Audio3, na ordem em que você os fornece:
Use @Audio1 as the woman's voice and @Audio2 as the man's voice. Follow the dialogue below; keep the rain quiet.
Use gravações cujas vozes você tem permissão para usar e prefira um clipe limpo de um único falante a um com várias pessoas ou música. As referências não alteram o preço de $0.36.
Em vez disso você pode enviar um image_url para o contexto da cena, mas uma imagem e referências de áudio não podem ser combinadas. Escolha a imagem quando a referência for o ambiente ou a pessoa retratada; escolha o áudio quando for a voz. Com uma imagem, escreva mesmo assim as falas e a descrição de voz no prompt.
Controles e escolha de arquivos
| Entrada | Valores aceitos | Uso prático |
|---|---|---|
speed | 0.5 a 2; padrão 1 | Velocidade da fala do clipe inteiro, não por falante |
pitch | -12 a +12 semitons; padrão 0 | Deixe em 0 na primeira cena |
volume | 0.5 a 2; padrão 1 | Apenas o nível geral; não reequilibra o diálogo contra a chuva |
output_format | mp3, wav, opus, pcm | MP3 para reprodução na web, WAV para edição |
sample_rate | 8000 a 48000 Hz (8, 16, 24, 32, 44.1, 48 kHz); padrão 24000 | Ajuste ao seu editor |
A saída é estéreo. opus devolve um arquivo Ogg Opus. pcm é estéreo intercalado little-endian de 16 bits sem cabeçalho, que os navegadores não conseguem reproduzir, então escolha WAV para as mesmas amostras em um arquivo reproduzível.
Corrija a cena sem reescrever tudo
| O que deu errado | Mude isto primeiro |
|---|---|
| A chuva ou a música mascara a resposta | Peça que não haja música e uma chuva mais baixa; aumentar o volume levanta o fundo também |
| A descrição da cena é falada | Mantenha as indicações fora das aspas e atribua apenas o diálogo |
| O personagem errado diz uma fala | Repita o nome do falante antes de cada fala entre aspas |
| Duas vozes se fundem em uma | Dê a cada uma uma descrição de voz curta e distinta; se não funcionar, gere turnos TTS predefinidos separados |
| Uma fala precisa de edição posterior | Use tarefas de voz separadas e um editor em vez de uma cena achatada |
| Você precisa de duração exata | Encurte o diálogo e corte; não há campo de duração |
Como o preço é por requisição, uma cena mais duas revisões custa $1.08, e dez cenas com uma tentativa extra cada custam $7.20.
Qual usar
Seed Audio é o caminho mais rápido para uma cena de som pronta. Se você precisar trocar falas com frequência, reutilize vozes predefinidas ou mantenha o diálogo e a ambientação em faixas separadas, gere a fala separadamente e misture você mesmo.
