Seed Audio 1.0 для взрослых сцен: диалог, звук и запросы по $0.36

Выбирайте Seed Audio 1.0, когда диалог и фоновый звук нужны в одной сгенерированной сцене. Опишите взрослых говорящих, возьмите их реплики в кавычки и назовите в том же промпте музыку или атмосферу. Один запрос стоит $0.36 независимо от длины промпта, возвращает один смешанный файл длиной примерно до двух минут, а неудачные запросы не тарифицируются. Файл смешанный: вы не можете заглушить дождь или поправить одну реплику задним числом без повторной генерации, а результат хранится 14 дней, поэтому скачайте его.

По нашим тестам сентября 2026 года откровенная лексика для взрослых внутри цитируемых реплик произносится так, как написано, а описание сцены вокруг них не читается вслух.

Seed Audio или обычный TTS?

Страница задачи Seed Audio использует один prompt, а не text и voice_id, как обычный TTS. Меню голосов нет: опишите каждый голос в промпте или передайте референсное аудио. Можно прослушать пример диалога в баре: 12-секундный обмен репликами между мужчиной и женщиной в баре отеля; в примере промпта просят лаунж-музыку и звуки стекла.

Промпт, который можно адаптировать

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.

Чтобы сделать его своим, сначала измените цитируемые реплики, затем два описания голоса, затем фон.

Попробуйте в Playground

1. Выполните этот промпт в Seed Audio 1.0 (сначала войдите или создайте аккаунт).
2. На вкладке Playground поле Prompt уже заполнено. Оставьте Speed, Pitch и Volume на значениях по умолчанию и задайте Output format как MP3.
3. Проверьте показанную цену ($0.36), затем нажмите Run model.
4. Прослушайте результат. Измените цитируемые реплики или дождь в Prompt и запустите снова.
5. Необязательно: добавьте до трёх клипов в Reference audio и обращайтесь к ним в промпте как @Audio1 — @Audio3.

Запуск из кода

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

Настройка и результаты описаны в документации CLI.

Или поручите запуск агенту. Передайте своему ассистенту указанный выше CLI или сервер MCP (он вызывает spicyapi_task_create); оба показывают цену и спрашивают перед платным запуском. npx skills add spicyapi-ai/spicy-skill устанавливает Skill.

Держите указания за пределами цитируемых реплик, чтобы отличать их от произносимого текста. Лимит промпта — 2000 символов.

Сценарии для взрослых

В наших тестах откровенный монолог от первого лица, чтение эротической прозы и сцена, насыщенная звуковыми указаниями вместе с дождём, вернулись со всеми откровенными словами, произнесёнными вслух (26, 29 и 9 секунд). SpicyAPI не добавляет к этой модели фильтр содержимого, поэтому вы отвечаете и за сцены, которые пишете, и за то, чтобы не выдавать сгенерированные голоса за слова реального человека.

Мужской и женский голоса в примере с гостиничным баром явно различаются, поэтому обмен между двумя персонажами работает. В длинной серии, где один персонаж должен звучать одинаково во многих файлах, каждый раз передавайте одно и то же референсное аудио и прослушивайте, прежде чем утверждать результат.

Длительность

Один запрос — это одна сцена длиной примерно до двух минут, поля длительности нет. Запрашивайте короткую самостоятельную сцену и обрезайте результат в своём редакторе. Для более длинной истории генерируйте каждую сцену отдельно и склеивайте их; у этой размещённой задачи нет операции продления аудио, хотя разработчик модели описывает продолжение как встроенную возможность.

Референсное аудио и изображение

Задача принимает до трёх клипов MP3 или WAV в reference_audio_urls. Ссылайтесь на них в промпте как @Audio1, @Audio2 и @Audio3 в том порядке, в котором вы их передаёте:

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

Используйте записи, на использование голосов которых у вас есть разрешение, и отдавайте предпочтение чистому клипу с одним говорящим, а не записи с несколькими людьми или музыкой. Референсы не меняют цену $0.36.

Вместо этого можно отправить один image_url для контекста сцены, но изображение и аудиореференсы нельзя объединить. Выбирайте изображение, когда референсом служит помещение или изображённый человек; выбирайте аудио, когда референсом служит голос. С изображением всё равно пишите реплики и описание голоса в промпте.

Управляющие параметры и форматы файлов

Выход стереофонический. opus возвращает файл Ogg Opus. pcm — это 16-битное little-endian чересстрочное стерео без заголовка, которое браузеры не могут воспроизвести, поэтому выбирайте WAV для тех же сэмплов в воспроизводимом файле.

Исправьте сцену, не переписывая всё

Поскольку цена указана за запрос, одна сцена плюс две правки стоят $1.08, а десять сцен с одной дополнительной попыткой на каждую — $7.20.

Что выбрать

Seed Audio — самый быстрый путь к готовой звуковой сцене. Если вам часто нужно заменять реплики, переиспользуйте готовые голоса или держите диалог и атмосферу на раздельных дорожках, генерируйте речь отдельно и сводите её самостоятельно.