01 / 99s
サスペンス対話パッケージ
2人のキャラクターによる犯罪ドラマ風のオーディオ。対話、電話の質感、劇的な背景の緊張感。
モデル紹介
Seed Audio 1.0
完全なサウンドシーンを支えるAI音声モデルの概要
Seed Audio 1.0は、シーンレベルの音声生成モデルとして最適です。音声、話し方、雰囲気、音楽の方向性、効果音を1つのプロダクション準備稿にまとめることができます。
テキスト、画像、音声
プロンプトと参照入力
最大3つの音声参照
音声やスタイルの方向性に
2分
最大単一出力ウィンドウ
オーディオコレクション
ソースマテリアルからの再生可能な例
これらのクリップは内部参照ドキュメントからコピーされ、MP3に圧縮され、プロジェクトCDNに再ホストされました。周囲のテキストはこのページのために新たに要約されています。
02 / 36s
コマースライブ配信ボイス
地域性のある話し方、プロモーションのリズム、BGMを組み合わせた2人ホストのショッピングシーン。
03 / 55s
会話型ポッドキャスト
自然な間、カジュアルなペース、クリアな話し声に焦点を当てた2人話者形式。
04 / 30s
マルチロール広告スポット
複数の声、音楽のトランジション、エネルギッシュなサウンドステージングを備えた短いコマーシャル風クリップ。
05 / 55s
制御された音声参照
参照ガイド付きの結果。質感、リズム、話し方のスタイルが新しい出力にどのように引き継がれるかを示します。
06 / 72s
マルチ参照シーン
複数の参照トラックが最終的な対話のリズムと音声の相互作用を形成する例。
簡単に言うと
単なるTTSでも効果音だけでもありません。
従来のTTSはテキストを音声に変換します。Seed Audio 1.0は、完全な音声構成を中心に据えています。セリフ、キャラクターボイス、タイミング、環境音、BGM、フォーリー的な詳細を一緒に計画できます。そのため、完全なオーディオシーンのファーストカットを素早く必要とするクリエイターに役立ちます。
機能マップ
モデルの有用な用途
最も強力なユースケースは、音声とコンテキストが連携する必要があるシーンであり、単独のナレーションではありません。
マルチモーダルな方向性
テキストプロンプト、画像参照、または短い音声参照から開始して、音声、ムード、リズム、キャラクターのアイデンティティをガイドします。
対話と話し方の制御
話し手、トーン、ペース、感情、アクセント、間、笑い、会話スタイルをプロンプトで直接記述します。
レイヤー化されたサウンドデザイン
雰囲気、音楽ベッド、トランジション、サウンドイベントを別々のツールで生成するのではなく、一緒に計画します。
音声一貫性ワークフロー
参照音声は、長編のキャラクターやブランド音声を構築する際に、認識可能な音声特性を維持するのに役立ちます。
モデルノート
プロンプト設計前に知っておくべき制約
テキスト入力
リクエストあたり最大3,000文字。
参照メディア
画像1枚または音声参照最大3つのいずれかを使用。同じリクエストで両方を混在させないでください。
音声参照
各参照は信頼性のある処理のため30秒以内にしてください。
出力長
1回の生成結果は最大約2分です。
言語
中国語と英語が主要対応言語です。
出力形式
WAV、MP3、PCM、OGG Opusが一般的な配信形式です。
コントロール
速度、ピッチ、音量、タイムスタンプ、透かしオプションはアクセスチャネルによって利用可能な場合があります。
APIスタイル
統合のために説明されている公開アクセスパターンは、非ストリーミングHTTPです。
適用シーン
シーンレベルの音声生成に適した用途
ショート動画と広告
製品ナレーション、キャンペーンフック、ソーシャルクリップ、ローカライズ版をサウンドデザイン込みで迅速にプロトタイプ作成。
オーディオブックとオーディオドラマ
スタジオ録音に入る前に、ナレーション、キャラクターの話し方、部屋のトーン、軽めのフォーリーをドラフト。
ゲームとインタラクティブメディア
初期制作段階で、NPCの声、UIモーメント、環境ループ、カットシーンの音声方向性を探索。
ポッドキャストと解説動画
トピックを音声、ペース、トランジション音、背景テクスチャを備えたガイド付きオーディオスケッチに変換。
プロンプトフレーミング
実践的なプロンプト構造
01
シーン
形式、場所、ムード、対象視聴者を指定。
02
音声
話者数、言語、スタイル、感情、明瞭度の優先順位を記述。
03
レイヤー
雰囲気、音楽の方向性、最も重要なサウンドイベントのみを追加。
04
レビュー
最もノイズの多いレイヤーを聴き、一度に1つの部分を修正。