Seed Audio 2.0：六分钟场景、视频配音与独立分轨

Seed Audio 1.0 已经把一条声带当成完整场景来生成：一句简报里同时有对白、房间底噪、效果和音乐。Seed Audio 2.0 公开规格要补上的，是这种一次生成仍然做不完的活——超过两分钟的成片、必须跟着画面走的声音，以及剪辑师还要拆开再调的混音。

本文核对日期为 2026 年 9 月 28 日。依据是字节 Seed 团队的 Seed Audio 1.0 发布说明，以及 Seed Audio 2.0 产品页上写明的能力。某个控件算不算可用，以你正在用的工作室是否真的打开它为准。

Seed Audio 1.0 已经能做什么

2026 年 7 月 20 日，字节 Seed 团队发表了《From Speech to Audio Creation》。这个模型的单位是场景，不是单独一条人声。提示词可以写明说话人、情绪、台词、空间和声音提示。对白时间点按约 100 毫秒描述。单次大约两分钟，更长的内容靠续写接上。文中列出的语言超过 20 种，包括中文、英语、日语、韩语、西班牙语、印尼语、德语、法语、泰语和越南语。

同一篇文章也写了下一步：把精细控制从对白扩展到效果、氛围和音乐；把视频当作输入；做更长、可分轨的音频；以及更可控的多语言表演。Seed Audio 2.0 的公开规格，就是对着这些缺口写的。

Seed Audio 2.0 规格多了什么

Seed Audio 2.0 用四种起点描述任务。这些名字指的是输入，不是四款不同的产品。

• T2A：文字到音频。只有脚本或场景简报，不附录音。
• TA2A：文字加参考音频。声音必须认得出是谁时用这个。
• TV2A：文字加视频。画面就是配音和底噪要对齐的时间线。
• TAV2A：文字、参考音频和视频一起给。已知的演员，加上已经锁好的剪辑。

和字节已经公开的 1.0 放在一起，2.0 产品页写的差别是：

其他转述文章反复出现的也是这四项：六分钟、六个参考、独立分轨、可以落在时间点上的提示。它们适合用来核对哪些说法被重复传播，不能当成第二份规格书。外面的版本号更不稳定。有的模型目录把一份几乎相同的后续简报写成 Seed Audio 1.5，也有页面先用了 2.0 这个名字，后来又标成标错了版本。在字节发出带版本号的发布说明之前，以 Seed Audio 2.0 上的清单作为可用规格；如果页面没有写明新模型已开启，现场生成器就仍按 1.0 理解。

分轨比“文件更长”更要紧

六分钟的混音只有还能改，才有用。短剧剪辑要把耳语下面的雨声压低，本地化制作要换一个市场的人声、又不能重做整条城市底噪，一条已经粘死的立体声做不到。对白、音乐、氛围、效果分开导出，临时声带和可以进混音台的工程，差别就在这里。

时间戳是另一半。Seed Audio 1.0 已经能把对白放在粗略的时间网格上。2.0 的简报把这个想法延伸到效果和音乐，关门声、一声刺音或一句补词可以要求落在标好的时间上，而不是听天由命出现在某一段里。

六个参考名额也是同一件事。主角、对手戏，再加一点人群质感，1.0 的额度往往已经用完。多出来的位置是为了让更大的阵容还能彼此分开，不是为了丢进六首无关的歌再指望模型取平均。

这套规格对着哪些工作

公开的产品说明把 Seed Audio 2.0 放在 1.0 能打草稿、但一次做不完的工作上：

• 短剧。 一次里有好几个人说话，脚步和刺音留在各自的轨上。
• 广告。 旁白、产品拟音和音乐抬升一起生成，再拆开做法律修改版或其他市场版本。
• 游戏。 喊话、循环和环境打击声写成同一个场景，再以分轨交给混音。
• 配音。 用视频上下文加上更宽的语言覆盖，替代每个市场都重录一遍。

单人旁白、一句口播，或八秒的社交短片，用 Seed Audio 1.0 可能仍然更直接。时长上限变长，补不了一份含糊的简报。

上线前就可以彩排的写法

Seed Audio 2.0 上的工作室在新模型标记为即将上线时，生成仍走 Seed Audio 1.0。这个限制正好用来彩排。先按 2.0 的方式写简报，再听 1.0 已经能做的部分：说话人、空间和提示顺序。

模式：TAV2A
长度：90 秒
语言：中文
说话人：
- 船长，参考 A：疲惫，不喊
- 轮机长，参考 B：语速更快，偏技术
画面：已锁的舰桥警报段落
分轨：对白、音乐、氛围、效果
时间点：
- 00:04 舱门密封
- 00:12 警报升高时船长开口
- 00:28 引擎落下，弦乐变薄

听三种失败：两个人的声音串了、音乐盖住了台词、效果来晚了。分轨和时间戳要减少的就是这三件事。同一份场景也可以在本站的 Seed Audio 1.0 生成器 里先打一版草稿。参考音色的叫法保持和上线后一致，简报就不用重写。

今天实际能跑的是什么

截至 2026 年 9 月 28 日：

• 字节已经发表的模型说明仍是 Seed Audio 1.0。
• Seed Audio 2.0 把新模型标为即将上线。页面提供新模型开启后可用的早鸟额度，页上的工作室仍用 1.0 渲染，方便先试提示词。
• seedaudio.co 上的生成器同样运行 Seed Audio 1.0。站内的 Seed Audio 2.0 指南 把已公布的控件和这里能用的工作区放在一起比较。

向客户承诺六分钟分轨或跟着画面走的配音之前，再看一次产品页。这些控件写在规格里。模型菜单如果仍显示 1.0，你拿到的就不是它们。

资料来源

• 字节 Seed，From Speech to Audio Creation，2026 年 7 月 20 日。Seed Audio 1.0 的官方说明，以及面向视频输入、更长场景和分轨输出的路线。
• Seed Audio 2.0，2026 年 9 月 28 日核对。六分钟、六个参考、三十种语言、四种输入、分轨，以及新模型仍为即将上线的产品说明。
• 2026 年 9 月转述同一份简报的二手文章。只用来看哪些说法被重复，不拿来添加产品页没有列出的功能。