ByteDance Seed Audio 1.0 - ComfyUI Built-in Node Documentation

Genera voz, música, efectos de sonido y diálogo con varios hablantes a partir de un solo prompt con ByteDance Seed Audio 1.0. Describe la(s) voz/voces, la emoción, el ritmo, el ambiente, la música de fondo y los efectos de sonido en el prompt, e incluye las líneas que se van a pronunciar. De manera opcional, elige una voz predefinida integrada, clona voces a partir de hasta 3 clips de referencia (etiquetados como @Audio1-3 en el prompt), o deriva una voz a partir de una imagen de personaje. Hasta 2 minutos de audio por ejecución. El modelo multilingüe admite 20 idiomas y control de tiempos basado en marcas de tiempo.

Entradas

Parámetro	Descripción	Tipo de datos	Obligatorio	Rango
`text_prompt`	Describe la(s) voz/voces, la emoción, el ritmo, el ambiente, la música de fondo y los efectos de sonido, e incluye las líneas que se van a pronunciar (nombra a los personajes en línea para el diálogo). En el modo “audio reference”, haz referencia a los clips conectados por orden como @Audio1, @Audio2, @Audio3. Con el modelo multilingüe, una línea entre comillas puede comenzar con un rango de marcas de tiempo que controla cuándo y durante cuánto tiempo se pronuncia, p. ej., `[5.5s:8.0s] Wait for me!`. Escribe el prompt en el mismo idioma que las líneas que se van a pronunciar. Mínimo 1 carácter, máximo 3000 caracteres.	STRING	Sí	1 a 3000 caracteres
`reference_mode`	Cómo condicionar la voz: “text only” (describe todo en el prompt), “audio reference” (clona hasta 3 voces, etiquetadas @Audio1-3), “image reference” (deriva una voz a partir de una imagen de personaje), o “preset voice” (elige una voz integrada con nombre que lee el prompt).	COMBO	Sí	`"text only"` `"audio reference"` `"image reference"` `"preset voice"`
`reference_audio_1`	Clip de referencia para clonación de voz, etiquetado como @Audio1 en el prompt. Hasta 30 s. Disponible solo cuando `reference_mode` es “audio reference”.	AUDIO	No	Hasta 30 segundos
`reference_audio_2`	Clip de referencia etiquetado como @Audio2 en el prompt. Hasta 30 s. Disponible solo cuando `reference_mode` es “audio reference”.	AUDIO	No	Hasta 30 segundos
`reference_audio_3`	Clip de referencia etiquetado como @Audio3 en el prompt. Hasta 30 s. Disponible solo cuando `reference_mode` es “audio reference”.	AUDIO	No	Hasta 30 segundos
`reference_image`	Una única imagen de personaje; el modelo deriva una voz a partir de ella. No se puede combinar con audio de referencia. Disponible solo cuando `reference_mode` es “image reference”.	IMAGE	No	-
`preset_voice`	Una voz integrada de TTS 2.0 que lee el prompt. No se necesita clip de referencia y las etiquetas @AudioN no se usan en este modo. Obligatorio cuando `reference_mode` es “preset voice”.	COMBO	No	Múltiples opciones de voces predefinidas integradas (la primera opción se selecciona de forma predeterminada)
`sample_rate`	Frecuencia de muestreo de salida en Hz. (predeterminado: “24000”)	COMBO	Sí	`"8000"` `"16000"` `"24000"` `"32000"` `"44100"` `"48000"`
`speech_rate`	Velocidad del habla. 0 = normal, 100 = 2.0x, -50 = 0.5x. (predeterminado: 0)	INT	Sí	-50 a 100
`loudness_rate`	Sonoridad. 0 = normal, 100 = 2.0x, -50 = 0.5x. (predeterminado: 0)	INT	Sí	-50 a 100
`pitch_rate`	Desplazamiento de tono en semitonos (-12 a 12). (predeterminado: 0)	INT	Sí	-12 a 12
`seed`	La semilla controla si el nodo debe volver a ejecutarse; los resultados no son deterministas independientemente de la semilla. (predeterminado: 42)	INT	Sí	0 a 2147483647
`model`	Versión del modelo. `seed-audio-1.0-multilingual` admite 20 idiomas y control de tiempos por oración mediante marcas de tiempo con formato `[5.5s:8.0s]`. `seed-audio-1.0` admite solo inglés y chino, sin control de tiempos. (predeterminado: “seed-audio-1.0-multilingual”)	COMBO	No	`"seed-audio-1.0-multilingual"` `"seed-audio-1.0"`

Restricciones de parámetros

Dependencias del modo de referencia: El parámetro reference_mode determina qué otras entradas son obligatorias:
- “text only”: No se requieren entradas adicionales. El prompt no debe contener etiquetas @AudioN.
- “audio reference”: Requiere que al menos uno de reference_audio_1, reference_audio_2 o reference_audio_3 esté conectado. Los clips de referencia deben conectarse en orden sin dejar huecos. Cada clip está limitado a una duración máxima de 30 segundos. Si se usan etiquetas @AudioN en el prompt, el número de etiqueta más alto no debe superar el número de clips de referencia conectados.
- “image reference”: Requiere que reference_image esté conectado. No se usan etiquetas @AudioN; el prompt debe contener solo el texto que se va a sintetizar.
- “preset voice”: Requiere que se seleccione una voz predefinida. Todo el prompt se lee con la voz seleccionada; las etiquetas @AudioN no se usan como referencias, y las etiquetas como @Audio2 o superiores se rechazan.
Orden de las referencias de audio: En el modo “audio reference”, las entradas de audio de referencia deben conectarse de forma secuencial comenzando desde reference_audio_1 sin dejar huecos. Por ejemplo, puedes conectar reference_audio_1 y reference_audio_2, pero no reference_audio_1 y reference_audio_3 sin reference_audio_2.
Máximo de etiquetas de audio: En el modo “audio reference”, se pueden conectar hasta 3 clips de referencia (@Audio1, @Audio2, @Audio3), y la etiqueta @AudioN más alta en el prompt no puede superar el número de entradas de audio de referencia conectadas.
Diferencias entre modelos: El modelo seed-audio-1.0-multilingual admite 20 idiomas (inglés, chino, japonés, coreano, español de México y de Castilla, indonesio, alemán, portugués de Brasil, francés, tailandés, vietnamita, malayo, filipino, italiano, ruso, neerlandés, polaco, turco, sueco) además de control de tiempos por oración usando marcas de tiempo con el formato [5.5s:8.0s]. El modelo seed-audio-1.0 admite solo inglés y chino, sin control de tiempos.

Salidas

Nombre de salida	Descripción	Tipo de datos
`AUDIO`	La salida de audio generada por ByteDance Seed Audio 1.0, que contiene voz, música, efectos de sonido o diálogo con varios hablantes según lo descrito en el prompt.	AUDIO

Esta documentación fue generada por IA. Si encuentra algún error o tiene sugerencias de mejora, ¡no dude en contribuir! Editar en GitHub

Source fingerprint (SHA-256): e86e4edde424b4427d864350a9d3b082e271fbd2b1e335175637a9cc3ad51163

​Entradas

​Restricciones de parámetros

​Salidas

Entradas

Restricciones de parámetros

Salidas