01 / 99s
ชุดบทสนทนาระทึกขวัญ
เสียงสไตล์อาชญากรรม-ดราม่าสองตัวละครพร้อมบทสนทนา เสียงโทรศัพท์ และความตึงเครียดพื้นหลังที่น่าทึ่ง
แนะนำโมเดล
Seed Audio 1.0
ภาพรวมของโมเดลเสียง AI ที่สร้างสรรค์ฉากเสียงที่สมบูรณ์
Seed Audio 1.0 เป็นโมเดลสร้างเสียงระดับฉากที่สามารถผสมผสานเสียงพูด รูปแบบการนำเสนอ บรรยากาศ ทิศทางดนตรี และเอฟเฟกต์เสียงเข้าเป็นร่างเดียวที่พร้อมใช้งาน
ข้อความ รูปภาพ เสียง
อินพุตพร้อมต์และข้อมูลอ้างอิง
เสียงอ้างอิงสูงสุด 3 รายการ
สำหรับเสียงหรือทิศทางสไตล์
2 นาที
ระยะเวลาเอาต์พุตสูงสุดต่อครั้ง
คอลเลกชันเสียง
ตัวอย่างที่เล่นได้จากเอกสารต้นฉบับ
คลิปเหล่านี้คัดลอกจากเอกสารอ้างอิงภายใน บีบอัดเป็น MP3 และโฮสต์ใหม่บน CDN ของโครงการ ข้อความโดยรอบสรุปใหม่สำหรับหน้านี้
02 / 36s
เสียงไลฟ์สดการค้า
ฉากช้อปปิ้งที่มีพิธีกรสองคน ผสมผสานการนำเสนอในภูมิภาค จังหวะส่งเสริมการขาย และดนตรีพื้นหลัง
03 / 55s
พอดแคสต์สนทนา
รูปแบบการพูดสองคนที่เน้นการหยุดตามธรรมชาติ จังหวะไม่เป็นทางการ และการปรากฏตัวของเสียงที่ชัดเจน
04 / 30s
โฆษณาหลายบทบาท
คลิปสั้นสไตล์โฆษณาที่มีหลายเสียง การเปลี่ยนดนตรี และการจัดวางเสียงที่กระฉับกระเฉง
05 / 55s
เสียงอ้างอิงที่ควบคุมได้
ผลลัพธ์ที่อ้างอิงเสียง แสดงให้เห็นว่าพื้นผิว จังหวะ และรูปแบบการพูดสามารถถ่ายทอดไปยังเอาต์พุตใหม่ได้
06 / 72s
ฉากที่มีหลายเสียงอ้างอิง
ตัวอย่างที่แทร็กอ้างอิงหลายรายการกำหนดจังหวะบทสนทนาและการโต้ตอบของเสียง
คำตอบสั้นๆ
ไม่ใช่แค่ TTS หรือเอฟเฟกต์เสียงเท่านั้น
TTS แบบดั้งเดิมแปลงข้อความเป็นเสียงพูด Seed Audio 1.0 มุ่งเน้นการประกอบเสียงเต็มรูปแบบ: บทพูด เสียงตัวละคร จังหวะเวลา สภาพแวดล้อม ดนตรีประกอบ และรายละเอียดแบบ foley สามารถวางแผนร่วมกันได้ ทำให้มีประโยชน์สำหรับผู้สร้างที่ต้องการตัดต่อฉากเสียงที่สมบูรณ์อย่างรวดเร็ว
แผนที่ความสามารถ
โมเดลนี้มีประโยชน์อย่างไร
กรณีการใช้งานที่แข็งแกร่งที่สุดคือฉากที่เสียงและบริบทต้องทำงานร่วมกัน มากกว่าการบรรยายแบบแยกส่วน
การกำหนดทิศทางหลายรูปแบบ
เริ่มต้นจากพร้อมต์ข้อความ รูปภาพอ้างอิง หรือเสียงอ้างอิงสั้นๆ เพื่อกำหนดทิศทางเสียง อารมณ์ จังหวะ หรือลักษณะตัวละคร
การควบคุมบทสนทนาและการนำเสนอ
อธิบายผู้พูด น้ำเสียง จังหวะ อารมณ์ สำเนียง การหยุด เสียงหัวเราะ หรือรูปแบบการสนทนาโดยตรงในพร้อมต์
การออกแบบเสียงแบบซ้อนชั้น
วางแผนบรรยากาศ ดนตรีพื้นหลัง การเปลี่ยนผ่าน และเหตุการณ์เสียงร่วมกัน แทนที่จะสร้างแต่ละชั้นด้วยเครื่องมือแยก
ขั้นตอนการทำงานเพื่อความสม่ำเสมอของเสียง
เสียงอ้างอิงช่วยรักษาลักษณะเสียงที่จดจำได้เมื่อสร้างเสียงตัวละครหรือเสียงแบรนด์ในรูปแบบยาว
หมายเหตุโมเดล
ข้อจำกัดที่เป็นประโยชน์ก่อนออกแบบพร้อมต์
อินพุตข้อความ
สูงสุด 3,000 ตัวอักษรต่อคำขอ
สื่ออ้างอิง
ใช้รูปภาพหนึ่งภาพหรือเสียงอ้างอิงสูงสุดสามรายการ หลีกเลี่ยงการผสมทั้งสองในคำขอเดียวกัน
เสียงอ้างอิง
แต่ละรายการควรอยู่ภายใน 30 วินาทีเพื่อการประมวลผลที่เชื่อถือได้
ความยาวเอาต์พุต
ผลลัพธ์ที่สร้างครั้งเดียวสามารถยาวได้สูงสุดประมาณ 2 นาที
ภาษา
ภาษาจีนและภาษาอังกฤษเป็นภาษาหลักที่รองรับ
รูปแบบเอาต์พุต
WAV, MP3, PCM และ OGG Opus เป็นรูปแบบการจัดส่งทั่วไป
การควบคุม
ความเร็ว ระดับเสียง ความดัง การประทับเวลา และตัวเลือกลายน้ำอาจมีให้ขึ้นอยู่กับช่องทางการเข้าถึง
รูปแบบ API
รูปแบบการเข้าถึงสาธารณะที่อธิบายสำหรับการรวมระบบคือ HTTP แบบไม่สตรีม
เหมาะกับที่ไหน
งานที่เหมาะสมสำหรับการสร้างเสียงระดับฉาก
วิดีโอสั้นและโฆษณา
สร้างต้นแบบเสียงพากย์สินค้า ฮุคแคมเปญ คลิปโซเชียล และรูปแบบท้องถิ่นอย่างรวดเร็ว พร้อมรวมการออกแบบเสียง
หนังสือเสียงและละครเสียง
ร่างการบรรยาย การนำเสนอตัวละคร เสียงในห้อง และ foley เบาๆ ก่อนตัดสินใจบันทึกในสตูดิโอ
เกมและสื่อโต้ตอบ
สำรวจเสียง NPC ช่วง UI ลูปสภาพแวดล้อม และทิศทางเสียงในฉากคัตซีนระหว่างการผลิตช่วงต้น
พอดแคสต์และวิดีโออธิบาย
เปลี่ยนหัวข้อเป็นร่างเสียงแนะนำพร้อมเสียงพูด จังหวะ เสียงเปลี่ยนผ่าน และพื้นผิวพื้นหลัง
การจัดกรอบพร้อมต์
โครงสร้างพร้อมต์ที่ใช้งานได้จริง
01
ฉาก
ระบุรูปแบบ สถานที่ อารมณ์ และกลุ่มเป้าหมาย
02
เสียง
อธิบายจำนวนผู้พูด ภาษา สไตล์ อารมณ์ และลำดับความสำคัญของความชัดเจน
03
ชั้น
เพิ่มบรรยากาศ ทิศทางดนตรี และเฉพาะเหตุการณ์เสียงที่สำคัญที่สุด
04
ตรวจสอบ
ฟังชั้นที่ดังที่สุด แล้วแก้ไขทีละส่วน
หมายเหตุการเข้าถึง