主な機能
- マルチモーダルオーディオ生成 — 1つのプロンプトから、音声、音楽、効果音、環境音を生成します。聞こえた内容を説明するだけで、Seed Audioがそれを生成します。
- 音声クローン — 最大3つの参照クリップ（プロンプト内で
@Audio1、@Audio2、@Audio3とタグ付け）から音声をクローンし、複数キャラクターのダイアログや一貫したナレーションを実現します。 - プリセット音声 — 参照クリップなしで信頼性の高い高品質なナレーションが必要な場合、内蔵のTTS 2.0音声から選択できます。
- 画像駆動音声 — キャラクター画像から音声を派生させ、トーンやスタイルをビジュアルに合わせます。
- きめ細かな制御 — 再生速度、ピッチ、音量、サンプルレートを各生成ごとに個別に調整できます。
- マルチスピーカーダイアログ — プロンプト内でキャラクター名を指定するだけで、Seed Audioが音声の割り当て、ターン交代、感情表現を処理します。
- 1回の実行で最大2分 — ナレーション、ポッドキャストクリップ、ビデオ吹き替え、サウンドデザインに適した長尺オーディオクリップを生成します。
利用可能なワークフロー
Seed Audio 1.0: テキストからオーディオ
テキストプロンプトから直接オーディオを生成します。プロンプトで声、雰囲気、効果音、台詞を記述します。
Comfy Cloudで実行
Comfy Cloudで開く
ワークフローをダウンロード
JSONをダウンロード、またはテンプレートライブラリで「Seed Audio 1.0」を検索
Seed Audio 1.0: テキスト + オーディオからオーディオ
音声クローンでオーディオを生成します。参照オーディオクリップを接続すると、モデルが声とスタイルをクローンし、テキストプロンプトに適用します。
Comfy Cloudで実行
Comfy Cloudで開く
ワークフローをダウンロード
JSONをダウンロード、またはテンプレートライブラリで「Seed Audio 1.0」を検索
Seed Audio 1.0: テキスト + 画像からオーディオ
キャラクター画像から声を導き出します。キャラクター画像を接続すると、モデルが視覚的な被写体に合った声スタイルでオーディオを生成します。
Comfy Cloudで実行
Comfy Cloudで開く
ワークフローをダウンロード
JSONをダウンロード、またはテンプレートライブラリで「Seed Audio 1.0」を検索
ComfyUIでSeed Audio 1.0を使う方法
Seed Audio 1.0は ByteDanceSeedAudio ビルトインノードとして提供されます。ノードメニューのByteDance以下にあります。参照モードの選択
このノードには、生成される音声の条件付け方法を決定する4つの参照モードがあります。| モード | 説明 | 使用するタイミング |
|---|---|---|
| テキストのみ | プロンプトですべて（声のスタイル、感情、雰囲気、会話）を記述 | 参照素材なしでのクイック生成 |
| オーディオ参照 | 最大3つのオーディオ参照クリップ（各最大30秒）を接続し、プロンプトで@Audio1、@Audio2、@Audio3としてタグ付け | 特定の声のクローン作成、または複数キャラクターの会話作成 |
| 画像参照 | 1つのキャラクター画像を接続；モデルがそこから声を導出 | ビジュアルキャラクターデザインから声を導出 |
| プリセット音声 | ドロップダウンからビルトインのTTS 2.0音声を選択 | クローンなしでの信頼性の高いナレーション |
プロンプトの構造
最良の結果を得るには、プロンプトを構成してオーディオシーンを説明します：- 声と感情 — トーン、年齢、性別、アクセント、または感情表現を説明する
- 雰囲気と背景 — 音響環境（静かなスタジオ、賑やかな通り、コンサートホール）を説明する
- 効果音 — タイムラインの適切な瞬間に特定の音を説明する
- 会話のセリフ — 話すセリフを書き、マルチスピーカーシーンではキャラクター名を指定する
落ち着いた温かみのある男性の声が自信を持って話します。柔らかな雨が背景に降り、時折遠くの雷が聞こえます。「Seed Audio 1.0は、ペース、ピッチ、プレゼンスを完全に制御して自然な音声を生成します。」例 — オーディオ参照を使ったマルチスピーカーの会話:
@Audio1 が緊張して低く速いささやきで言う：「見た？」 @Audio2 が落ち着いてゆっくりした口調で答える：「何を？ただの風だよ。」全体に軽い風の雰囲気。
パラメータ調整
入力を接続した後、以下のパラメータを調整して希望の出力を得ます：- 話速 — デフォルト0（ノーマル）。範囲 -50（0.5倍）～ 100（2.0倍）。リラックスしたナレーションには負の値、エネルギッシュなナレーションには正の値を使用
- ピッチ — 半音単位でのシフト（-12～+12）。キャラクターボイスや特定の声域のマッチングに便利
- ラウドネス — デフォルト0（ノーマル）。範囲 -50（0.5倍）～ 100（2.0倍）。異なるソース素材間で音量を一定に調整
- サンプルレート — 8kHzから48kHzから選択。音声には24kHzが良いデフォルト；音楽には44.1kHzまたは48kHz
- シード — ノードが再実行されるかどうかを制御；シード値に関わらず結果は非決定論的
エッジケースと制限事項
- 参照クリップの長さ: オーディオ参照クリップはそれぞれ30秒に制限されています。より長い参照素材を使用する場合は、接続する前にクリップをトリミングまたは編集してください
- オーディオ参照の順序: 参照入力は、隙間なく1、2、3と順番に接続する必要があります
- タグ制限: 1つのプロンプトでサポートされる
@AudioNタグは最大3つです - 文字数制限: プロンプトは3000文字に制限されています
- 時間制限: 1回の実行で最大2分のオーディオです
はじめる
- ComfyUIを最新バージョンにアップデートしてください。
- ノードメニューからByteDanceSeedAudioノードを追加するか、上記のワークフローテンプレートのいずれかを開いてください。
- リファレンスモードを選択して入力を接続してください。
- オーディオシーンとダイアログを説明するプロンプトを記入してください。
- ワークフローを実行してください。