01 / 99s
悬疑对白场景
双人刑侦对白，包含电话质感、紧张配乐和戏剧化氛围。
音频合集
来自素材文档的可播放示例
这些音频来自参考文档，已压缩为 MP3 并上传到项目 CDN。页面文字经过重新整理，不照搬原文。
02 / 36s
电商直播声音
双主播带货场景，融合地域口音、促销节奏和背景音乐。
03 / 55s
双人播客对谈
自然停顿、口语节奏和清晰人声存在感更明显的对谈样例。
04 / 30s
多角色广告片段
多声部商业广告式音频，包含转场、配乐和较强的声音调度。
05 / 55s
参考音频控制生成
展示如何把参考音频中的质感、节奏和表达方式迁移到新内容里。
06 / 72s
多参考音频合成
多条参考音频共同影响最终的对话节奏和声音互动方式。
一句话理解
它不是单纯 TTS，也不是单独的音效生成器。
传统 TTS 主要把文字变成语音。Seed Audio 1.0 的重点是完整音频构成：台词、角色声音、节奏、环境、背景音乐和拟音细节可以一起规划。对创作者来说，它更像是快速产出声音场景初稿的工具。
能力整理
模型适合解决什么问题
它最适合的不是孤立朗读，而是人声和上下文必须同时成立的声音场景。
多模态引导
可以从文本、图片参考或短音频参考出发，引导声音、情绪、节奏或角色感。
对白与表达控制
在 prompt 里直接描述说话人、语气、语速、情绪、口音、停顿、笑声或对话风格。
多层声音设计
把环境声、背景音乐、转场和音效事件放在同一条声音指令里规划，减少分轨拼接成本。
音色一致性工作流
通过参考音频保留可识别的声音特征，适合角色音、品牌声音和较长音频内容。
规格信息
写 prompt 前值得知道的限制
文本输入
单次请求最多约 3,000 字符。
参考素材
图片和音频参考二选一；图片 1 张，音频最多 3 条。
音频参考
每条参考音频建议控制在 30 秒以内。
输出时长
单次生成结果最长约 2 分钟。
语言
主要支持中文和英文。
输出格式
常见输出包括 WAV、MP3、PCM、OGG Opus。
可控项
不同接入渠道下可能支持语速、音调、音量、时间戳和水印。
API 方式
公开接入说明以非流式 HTTP 为主。
应用方向
适合用场景级音频生成的任务
短视频与广告
快速验证产品口播、活动钩子、社媒短片和本地化声音版本。
有声书与音频剧
在正式录音前，先草拟旁白、角色表达、空间氛围和轻量拟音。
游戏与互动内容
早期探索 NPC 声音、UI 音效、环境循环和过场声音方向。
播客与知识讲解
把一个主题转成带人声、节奏、转场和背景质感的音频草稿。
Prompt 写法
一个实用的提示词结构
01
场景
说明音频类型、地点、情绪和目标听众。
02
人声
定义说话人数、语言、风格、情绪和清晰度优先级。
03
层次
加入环境声、音乐方向和最重要的音效事件，不要堆太多。
04
复听
先找最影响结果的一层声音，再一次只改一个部分。