字节跳动 Seed Audio 1.0 - 通用音频生成

Seed Audio 1.0 是字节跳动的通用音频生成模型，现在作为 ComfyUI 的内置节点提供。与仅将文字读出的传统文本转语音系统不同，Seed Audio 理解完整的声音频谱：它可以仅凭一段文本提示生成语音、音乐、音效、环境氛围以及多说话人对话。

​

核心能力

• 多模态音频生成 — 通过一条提示词即可生成语音、音乐、音效和环境音频。描述你听到的声音，Seed Audio 即可生成
• 语音克隆 — 从最多 3 个参考片段克隆语音（在提示词中标记为 @Audio1、@Audio2、@Audio3），支持多角色对话或连续旁白
• 预设语音 — 无需参考片段，直接选用内置的 TTS 2.0 语音，即可获得可靠、高质量的旁白
• 图像驱动语音 — 从角色图像中提取语音，使语气和风格与视觉主体相匹配
• 精细控制 — 独立调节每次生成的语速、音调、响度和采样率
• 多说话人对话 — 在提示词中直接命名角色，Seed Audio 自动处理语音分配、轮流发言和情感表达
• 单次最长达 2 分钟 — 生成长音频片段，适用于旁白、播客片段、视频配音和声音设计

凭借这些能力，Seed Audio 1.0 可广泛应用于视频配音、多角色音频剧、产品演示、电子学习旁白、游戏音频原型制作和无障碍内容等场景。

​

可用工作流

​

Seed Audio 1.0：文本转音频

直接从文本提示生成音频。在提示中描述语音、氛围、音效和对话内容。

​

Seed Audio 1.0：文本 + 音频转音频

使用语音克隆生成音频。连接一个参考音频片段，模型将克隆其语音和风格，并将其应用于您的文本提示。

​

Seed Audio 1.0：文本 + 图像转音频

从角色图像中推导语音。连接一张角色图像，模型将生成与视觉主题匹配的语音风格的音频。

​

如何在 ComfyUI 中使用 Seed Audio 1.0

Seed Audio 1.0 以 ByteDanceSeedAudio 内置节点的形式提供。您可以在节点菜单的“字节跳动”下找到它。

​

选择参考模式

该节点提供四种参考模式，用于决定生成声音的条件：

​

提示结构

为获得最佳效果，请按以下方式构建提示以描述音频场景：

• 声音与情感 —— 描述语调、年龄、性别、口音或情感表达
• 氛围与背景 —— 描述声学环境（安静录音棚、繁忙街道、音乐厅）
• 音效 —— 在时间线的适当时刻描述特定声音
• 对话台词 —— 写出要说出的台词，为多说话人场景命名角色

示例——带氛围的旁白：

一个平静、温暖的男声自信地说着。背景中下着细雨，偶尔传来远处的雷声。“Seed Audio 1.0 生成自然语音，并对语速、音高和存在感进行完全控制。”

示例——带音频参考的多说话人对话：

@Audio1 紧张地用低沉快速的低语说：“你看到了吗？” @Audio2 用平静缓慢的拖腔回答：“看到什么？只是风声。” 全程伴有轻微风声。

​

参数调节

连接输入后，调节以下参数以获得所需输出：

• 语速 —— 默认 0（正常）。范围 -50（0.5 倍）到 100（2.0 倍）。对放松的旁白使用负值，对充满活力的画外音使用正值
• 音高 —— 半音偏移（-12 到 +12）。可用于角色声音或匹配特定音域
• 响度 —— 默认 0（正常）。范围 -50（0.5 倍）到 100（2.0 倍）。调整以使不同源素材的音量保持一致
• 采样率 —— 从 8kHz 到 48kHz 中选择。24kHz 是语音的合理默认值；44.1kHz 或 48kHz 用于音乐
• 种子 —— 控制节点是否重新运行；无论种子值如何，结果都是非确定性的

​

边缘情况和限制

• 参考 CLIP 时长：音频参考 CLIP 每个限制为 30 秒。对于更长的参考素材，请在连接之前修剪或编辑该 CLIP
• 音频参考排序：参考输入必须按顺序连接式（1, 2, 3），中间不可有间隔
• 标签限制：单个提示中最多支持 3 个 @AudioN 标签
• 字符限制：提示限制为 3000 个字符
• 时长限制：每次运行最多 2 分钟音频

​

开始使用

1. 将 ComfyUI 更新到最新版本
2. 从节点菜单中选择 ByteDanceSeedAudio 节点，或打开上方的工作流模板之一
3. 选择参考模式并连接输入
4. 编写描述音频场景和对话的提示词
5. 运行工作流