T2A、TA2A、リファレンス、音声、音楽、アンビエンス、効果音
このガイドは、プロンプト作成のノートをクリエイター向けの実践的なページに変換します。テキストのみのプロンプトの構成方法、音声リファレンスのマッピング方法、音声、BGM、アンビエンス、効果音をモデルに過負荷をかけずに記述する方法を解説します。
T2A
テキストまたは画像ガイドの音声
TA2A
テキストと最大3つの音声リファレンス
1枚の画像
画像と音声リファレンスは混在させない
<= 30秒のリファレンス
各リファレンスクリップは短く焦点を絞る
ショートバージョン
Seed Audio 1.0 は、スピーチ、キャラクターの表現、アンビエンス、音楽、フォーリー風のイベントを組み合わせることができます。そのミックスを導く最も安全な方法は、再生順に短いプロダクションブリーフを書くことです。最初にシーン、次に話者、次にサウンドレイヤー、最後にエンディング。
テンプレート
[duration] の [format] を [language] で作成してください。
シーン: [場所、時間、雰囲気、聴衆]。
音声: [話者数、話者の特徴、感情、ペース、明瞭度]。
会話またはナレーション: "[正確な言葉または会話の概要]"。
アンビエンス: [部屋のトーン、天気、群衆、交通、環境]。
音楽: [スタイル、楽器、強度、開始またはフェード]。
効果音（順番に）: [イベント1]、[イベント2]、[終了の合図]。
結果は [クリーン / シネマティック / ミニマル / 放送品質] に保つ。@audio1 を [話者または音声の特徴] に使用。
@audio2 を [2番目の話者またはスタイルリファレンス] に使用。
[duration] の [format] を [language] で作成してください。
話者マップ: [話者Aは @audio1 に従う]、[話者Bは @audio2 に従う]。
シーン: [場所、雰囲気、目的]。
話し方: [感情、リズム、アクセント、間、笑い、ためらい]。
会話: "[セリフまたは会話の構造]"。
レイヤー: [アンビエンス]、[音楽ベッド]、[重要な効果音（順番に）]。
声の一貫性を保ち、スピーチをわかりやすくする。プロンプトの公式
会話を書く前に、フォーマット、設定、聴衆、言語、雰囲気、おおよその長さを指定する。
話者数、話者の特徴、声の質、アクセント、感情、ペース、明瞭度の優先順位を定義する。
スピーチ、アンビエンス、音楽、サウンドイベントが競合しないように、再生順にプロンプトを書く。
アンビエンスベッド1つ、音楽の方向性1つ、シーンに重要な効果音のみを追加する。
入力モード
内容は似ているように見えるかもしれませんが、役割は異なります。T2A はモデルにシーンを発明するよう求めます。TA2A は、書かれた指示に従いながら、リファレンス信号に従うよう求めます。
Seed Audio 1.0 に、書かれたブリーフから音声とシーンを発明させたい場合に使用します。オプションで1つの画像リファレンスでガイドできます。
声の同一性、ペース、感情の質、または複数話者の一貫性が重要な場合に使用します。プロンプト内で各リファレンスをマッピングします。
音声チェックリスト
レイヤータイムライン
時間の言葉は、モデルが優先順位を理解するのに役立ちます。ミックスをステージングするために使用し、すべてのフレームを細かく管理するためではありません。
0-5秒
部屋のトーン、天気、電話のバイブ、ドアの開閉、またはシンプルな音楽の入り。
5-25秒
最も重要な音声と感情の指示を含む会話またはナレーション。
25-40秒
声を覆い隠さずにストーリーをサポートする1つまたは2つのサウンドイベント。
最終ビート
クリーンな終了キュー、フェード、解決されたコード、ベル、ドア、息、またはボタン音。
プロンプト例
これらは書き直された例であり、ソースドキュメントからのコピーではありません。構造として使用し、独自のシーン、話者、サウンドイベントに置き換えてください。
45秒のシネマティックな犯罪シーンを英語で作成してください。静かな電話のバイブレーション、遠くの雨、低いサスペンスパッドで始まります。探偵Aは抑制された疲れた男性の声で、マイクに近づいて話します。探偵Bは少し歪んだ電話回線を通じて、落ち着いているが回避的な口調で応答します。会話は明瞭に保ってください。最後の方に小さな足音2つと車のブレーキ音1つを追加してください。@audio1 をホストAに、@audio2 をホストBに使用してください。60秒のエネルギッシュなライブ配信ショッピングセグメントを英語で作成してください。ホストAは明るく、速く、説得力があります。ホストBはより温かく、短いサポートのセリフで反応します。非常に軽いアップビートな背景音楽、微妙なパッケージを扱う音、そしてクリーンなコールトゥアクションのエンディングを追加してください。@image をキャラクターリファレンスとして使用してください。35秒のファンタジーナレーションを英語で作成してください。話者は真面目な中年の占星術師で、ゆっくりとした儀式的な話し方と深く響く声を持ちます。石造りの天文台の外の静かな雨、柔らかいページをめくる音、遠くの鐘を追加してください。音楽は最小限でミステリアスに保ってください。よくある間違い
5つの音楽ムード、10の効果音、複数のキャラクターアークを含むプロンプトは、通常、濁ります。まずミックスを減らしてください。
TA2A では、ファイルをアップロードするだけでは不十分です。どのキャラクターやスタイルが @audio1、@audio2、@audio3 に従うべきかを指定してください。
Seed Audio 1.0 は、プロンプトが再生順のコンパクトなプロダクションブリーフのように読める場合に、よりうまく機能します。
極端な感情形容詞は、表現を不自然にする可能性があります。制御された合図から始め、1つの詳細だけを強めてください。
要求された長さは目安です。最終編集でフレーム単位のタイミングが必要な場合に備えて、トリミングの余地を残してください。
実在の人物、有名人、公人、保護されたキャラクターの名前を指定する代わりに、役割と声の質を一般的に記述してください。
ここのテンプレートから始めて、テスト済みのハウツーガイドで再生可能な出力と比較してください。