跳转到主要内容
使用单个提示词，通过字节跳动 Seed Audio 1.0 生成语音、音乐、音效和多说话人对话。在提示词中描述声音、情感、氛围、背景音乐和音效，并包含要朗读的台词。可选择内置预设语音，从最多 3 个参考片段（在提示词中标记为 @Audio1-3）克隆声音，或从角色图像中衍生声音。每次运行最多可生成 2 分钟音频。

​
## 输入

参数描述数据类型是否必需范围
text_prompt描述声音、情感、节奏、氛围、背景音乐和音效，并包含要朗读的台词（对话中可内联标注角色名称）。在“音频参考”模式下，按顺序引用连接的片段为 @Audio1、@Audio2、@Audio3。最多 3000 个字符。STRING是1 到 3000 个字符
reference_mode如何控制声音：“仅文本”（在提示词中描述所有内容）、“音频参考”（克隆最多 3 个声音，标记为 @Audio1-3）、“图像参考”（从一张角色图像衍生声音）或“预设语音”（选择一个内置命名语音来朗读提示词）。COMBO是"text only"
"audio reference"
"image reference"
"preset voice"
reference_audio_1用于声音克隆的参考片段，在提示词中标记为 @Audio1。最长 30 秒。仅当 reference_mode 为“audio reference”时可用。AUDIO否最长 30 秒
reference_audio_2在提示词中标记为 @Audio2 的参考片段。最长 30 秒。仅当 reference_mode 为“audio reference”时可用。AUDIO否最长 30 秒
reference_audio_3在提示词中标记为 @Audio3 的参考片段。最长 30 秒。仅当 reference_mode 为“audio reference”时可用。AUDIO否最长 30 秒
reference_image一张角色图像；模型从中衍生声音。不能与参考音频结合使用。仅当 reference_mode 为“image reference”时可用。IMAGE否-
preset_voice一个内置的 TTS 2.0 语音，用于朗读提示词。无需参考片段，且在此模式下不使用 @AudioN 标签。仅当 reference_mode 为“preset voice”时可用。COMBO否多个选项可用（见描述）
sample_rate输出采样率，单位为 Hz。（默认值：“24000”）COMBO是"8000"
"16000"
"24000"
"32000"
"44100"
"48000"
speech_rate语速。0 = 正常，100 = 2.0 倍，-50 = 0.5 倍。（默认值：0）INT是-50 到 100
loudness_rate音量。0 = 正常，100 = 2.0 倍，-50 = 0.5 倍。（默认值：0）INT是-50 到 100
pitch_rate音高偏移，单位为半音（-12 到 12）。（默认值：0）INT是-12 到 12
seed种子控制节点是否应重新运行；无论种子如何，结果都是非确定性的。（默认值：42）INT是0 到 2147483647

​
参数约束

  • 参考模式依赖关系：reference_mode 参数决定了哪些其他输入是必需的：
    • “text only”：无需额外输入。提示词不得包含 @AudioN 标签。
    • “audio reference”：需要至少连接 reference_audio_1、reference_audio_2 或 reference_audio_3 中的一个。参考片段必须按顺序连接，不能有间隔（例如，_1，然后 _2，然后 _3）。每个片段最长 30 秒。提示词必须使用 @Audio1、@Audio2、@Audio3 标签引用连接的片段。
    • “image reference”：需要连接 reference_image。提示词不得包含 @AudioN 标签。
    • “preset voice”：需要选择 preset_voice。提示词不得包含 @AudioN 标签（整个提示词将以所选语音朗读）。
  • 音频参考排序：使用“audio reference”模式时，参考音频输入必须从 reference_audio_1 开始顺序连接，不能有间隔。例如，可以连接 _1 和 _2，但不能在没有 _2 的情况下连接 _1 和 _3。
  • 最大音频标签数：在“audio reference”模式下，提示词最多可引用 3 个音频片段（@Audio1、@Audio2、@Audio3）。编号最高的标签不得超过已连接的参考音频输入数量。

​
## 输出

输出名称描述数据类型
AUDIO字节跳动 Seed Audio 1.0 生成的音频输出，包含提示词中描述的语音、音乐、音效或多说话人对话。AUDIO
本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑
Source fingerprint (SHA-256): cefd5fca496b02c35022d25be3d99d3911c1304b6e3a751751b58841d5895ef7