Введение
Опишите всю звуковую сцену одним промптом: кто говорит, как, и реплики в кавычках, а также музыку, атмосферу или звуковые эффекты. Задача возвращает один аудиофайл длиной до примерно двух минут со всем описанным, включая диалог нескольких говорящих: MP3, если вы не задали output_format. Чтобы повторно использовать голос, загрузите до трёх референсных клипов в reference_audio_urls и назовите их в промпте @Audio1–@Audio3 или укажите один референсный образ в image_url; speed, pitch и volume тонко настраивают подачу. SpicyAPI не применяет фильтр контента: каждый промпт читается как написан. Каждый запрос стоит одинаково.
| Характеристика | Значение |
|---|---|
| Ввод | Текст |
| Вывод | Аудио |
| Обязательное поле | prompt — от 1 до 2000 символов |
| Необязательные поля |
|
| Результат | Один аудиофайл длительностью до примерно двух минут: по умолчанию MP3, либо WAV, Ogg Opus, PCM |
| Говорящие | Несколько, описанные в промпте или взятые из до трёх референсных фрагментов; без списка голосов |
| Тарифицируемое количество | Одна фиксированная цена за запрос |
| Хранение | Сгенерированное аудио хранится 14 дней |
Параметры запроса
| Параметр | Обязательно | Описание |
|---|---|---|
prompt | Да | Опишите всю сцену в пределах 2000 символов: каждого говорящего и то, как он звучит, его точные реплики в кавычках, а также любую музыку, атмосферные звуки или звуковые эффекты. Не менее 1 символов · Не более 2000 символов |
reference_audio_urls | Нет | До трёх фрагментов MP3 или WAV для опоры: загрузите их или укажите публичные URL. Каждый фрагмент — не длиннее 30 секунд и не больше 10 МБ. Не более 3 элементов |
image_url | Нет | Необязательное опорное изображение, вокруг которого строится звук: загрузите его или укажите публичный URL, а в prompt опишите, что говорит человек на снимке или как звучит сцена. Не менее 1 символов |
speed | Нет | Скорость речи от 0,5 (медленнее) до 2 (быстрее); 1 — обычный темп голоса. Цену не меняет. |
pitch | Нет | Сдвиг высоты тона в полутонах, от -12 до 12; 0 сохраняет собственную высоту голоса. Цену не меняет. |
volume | Нет | Множитель громкости от 0,5 до 2; 1 — обычный уровень. Цену не меняет. |
output_format | Нет | Формат файла: mp3 (по умолчанию), wav, opus (Ogg Opus) или pcm, то есть «сырые» 16-битные стереоотсчёты little-endian, чередующиеся и без заголовка, с выбранным |
sample_rate | Нет | Частота дискретизации звука в Гц: 8000, 16000, 24000, 32000, 44100, 48000. По умолчанию: 24000. |
Стоимость
$0.36 / запрос
Фиксированная цена за запрос, один клип длительностью до примерно двух минут.
Сценарии использования
Аудиодрамы с несколькими персонажами
Опишите двух или более говорящих и заключите их реплики в кавычки — модель даст каждому отдельный голос в одном клипе, без отдельной голосовой модели для каждого персонажа.
Сцены со звуковым дизайном
Один промпт может сразу задавать диалог, фоновую музыку, атмосферные звуки и звуковые эффекты, поэтому один запрос возвращает готовую сцену, а не просто голую реплику.
Аудиофантастика без цензуры
Промпты читаются как написаны, без фильтра контента. В наших тестах монолог от первого лица, художественный текст с рассказчиком и сцена с атмосферой дождя, написанные сверх того, что принимают другие сервисы, вернулись с каждым произнесённым словом.
Голосовые дорожки для видео
Сгенерируйте сцену здесь, а затем передайте MP3 модели говорящего аватара или синхронизации губ, чтобы её озвучило лицо.
Руководство по промптам и практические советы
Опишите говорящих
Укажите, кто говорит и как — сбивчивым шёпотом или тёплым голосом рассказчика — и заключите их точные слова в кавычки.
Добавьте звуковой ландшафт
Упомяните любую музыку, атмосферные звуки или звуковые эффекты, которые должны звучать вместе с диалогом: ливень, тикающие часы, нарастающую музыку.
Уложитесь в 2000 символов
Один промпт охватывает одну сцену длительностью до примерно двух минут; более длинные истории нужно разбивать на несколько запросов.
Что возвращается
Один аудиофайл на задачу, длительностью до примерно двух минут: MP3, если не менять output_format. Файл копируется в хранилище SpicyAPI и хранится 14 дней.
Как написать промпт
Seed Audio 1.0 принимает одно поле prompt (до 2000 символов), которое описывает всю сцену:
- Кто говорит и как — шёпотом, тёплым голосом рассказчика, выкрикнутой репликой.
- Их точные слова, в кавычках.
- Любую музыку, атмосферные звуки или звуковые эффекты, которые вы хотите вместе с диалогом.
Эта модель поддерживает более одного говорящего в одном клипе: опишите каждого персонажа и его реплики, и она даст каждому отдельный голос.
Референсное аудио и изображение
Списка голосов нет. Чтобы использовать конкретный голос или звук, загрузите в reference_audio_urls до трёх фрагментов и назовите их в промпте в порядке загрузки: @Audio1, @Audio2 и @Audio3, например «Голосом из @Audio1 мужчина говорит …». Либо дайте изображение в image_url и опишите, что говорит человек на снимке или как звучит сцена; сочетать эти входы нельзя. Используйте только голоса и изображения, на которые у вас есть права.
Подача и формат
speed (0,5–2), pitch (от -12 до 12 полутонов) и volume (0,5–2) тонко настраивают подачу. output_format выбирает mp3 (по умолчанию), wav, opus (Ogg Opus) или pcm, а sample_rate — от 8000 до 48000 Гц. pcm — это «сырые» 16-битные стереоотсчёты little-endian без заголовка, поэтому в браузере их не прослушать; выберите wav, чтобы получить те же отсчёты в проигрываемом файле. Цену ничто из этого не меняет.
Тарификация
Фиксированная цена за запрос, независимо от длины промпта. Неудачные запросы не оплачиваются.
Контент
SpicyAPI не добавляет фильтр контента. В наших тестах три промпта, которые отклоняют другие сервисы — монолог от первого лица, художественный текст с рассказчиком и сцена с атмосферой дождя, — все вернулись с каждым произнесённым словом.
SpicyAPI не добавляет фильтр контента: промпты читаются так, как написаны, независимо от содержания. Вы отвечаете за описанные сцены и за использование полученного аудио, включая то, что его не выдают за слова реального человека.
Быстрый старт 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"
Аутентификация, полная схема, опрос статуса и обработка ошибок описаны в справочнике API.