> ## Documentation Index
> Fetch the complete documentation index at: https://docs.comfy.org/llms.txt
> Use this file to discover all available pages before exploring further.

# 字节跳动 Seed Audio 1.0 - 通用音频生成

> 使用 ComfyUI 中的 Seed Audio 1.0，通过单一提示词生成语音、音乐、音效以及多说话人对话，支持声音克隆、预设音色和角色驱动音频。

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。

<Tip>
  使用 API 节点需要保证你已经正常登录，并在受许可的网络环境下使用，请参考[API 节点总览](/zh/tutorials/partner-nodes/overview)部分文档来了解使用 API 节点的具体使用要求。
</Tip>

<Tip>
  <Tabs>
    <Tab title="便携版或手动安装用户">
      请确保你的 ComfyUI 已经更新。

      * [ComfyUI 下载](https://www.comfy.org/download)
      * [ComfyUI 更新教程](/zh/installation/update_comfyui)

      本指南里的工作流可以在 ComfyUI 的[工作流模板](/zh/interface/features/template)中找到。如果找不到，可能是 ComfyUI 没有更新。

      如果加载工作流时有节点缺失，可能原因有：

      1. 你用的不是最新开发版（nightly）。
      2. 你用的是稳定版或桌面版（没有包含最新的更新）。
      3. 启动时有些节点导入失败。
    </Tab>

    <Tab title="桌面版或云端用户">
      * 桌面版是基于 ComfyUI 稳定版本构建的，它会在有新的桌面稳定版本发布时自动更新。
      * [Cloud](https://cloud.comfy.org) 会在 ComfyUI 稳定版本发布后更新，我们会同步更新 Cloud。

      所以，如果你发现本教程中有任何核心节点缺失，那是因为对应的节点支持还在开发中没有发布正式的稳定版，请等待下一个稳定版本发布。
    </Tab>
  </Tabs>
</Tip>

## 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 文本转音频预览](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/thumbnail/api_bytedance_seed_audio1_0_t2a.png)

<CardGroup cols={2}>
  <Card title="在 Comfy Cloud 中运行" icon="cloud" href="https://cloud.comfy.org/?template=api_bytedance_seed_audio1_0_t2a&utm_source=docs&utm_medium=referral&utm_campaign=seed_audio_1_0">
    在 Comfy Cloud 中打开
  </Card>

  <Card title="下载工作流" icon="download" href="https://github.com/Comfy-Org/workflow_templates/blob/main/templates/api_bytedance_seed_audio1_0_t2a.json">
    下载 JSON 或在模板库中搜索"Seed Audio 1.0"
  </Card>
</CardGroup>

### 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 + 音频转音频预览](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/thumbnail/api_bytedance_seed_audio1_0_ta2a.png)

<CardGroup cols={2}>
  <Card title="在 Comfy Cloud 中运行" icon="cloud" href="https://cloud.comfy.org/?template=api_bytedance_seed_audio1_0_ta2a&utm_source=docs&utm_medium=referral&utm_campaign=seed_audio_1_0">
    在 Comfy Cloud 中打开
  </Card>

  <Card title="下载工作流" icon="download" href="https://github.com/Comfy-Org/workflow_templates/blob/main/templates/api_bytedance_seed_audio1_0_ta2a.json">
    下载 JSON 或在模板库中搜索"Seed Audio 1.0"
  </Card>
</CardGroup>

### 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。

![Seed Audio 1.0 文本 + 图像转音频预览](https://raw.githubusercontent.com/Comfy-Org/workflow_templates/main/thumbnail/api_bytedance_seed_audio1_0_ti2a.png)

<CardGroup cols={2}>
  <Card title="在 Comfy Cloud 中运行" icon="cloud" href="https://cloud.comfy.org/?template=api_bytedance_seed_audio1_0_ti2a&utm_source=docs&utm_medium=referral&utm_campaign=seed_audio_1_0">
    在 Comfy Cloud 中打开
  </Card>

  <Card title="下载工作流" icon="download" href="https://github.com/Comfy-Org/workflow_templates/blob/main/templates/api_bytedance_seed_audio1_0_ti2a.json">
    下载 JSON 或在模板库中搜索"Seed Audio 1.0"
  </Card>
</CardGroup>

## 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：

| 模式       | 描述                                                                | 使用场景           |
| -------- | ----------------------------------------------------------------- | -------------- |
| **仅文本**  | 在提示中描述一切——声音风格、情感、氛围和对话                                           | 快速生成，无需参考素材    |
| **音频参考** | 连接最多 3 个参考音频片段（每个最长 30 秒），并在提示中用 `@Audio1`、`@Audio2`、`@Audio3` 标记 | 克隆特定声音或创建多角色对话 |
| **图像参考** | 连接一个角色图像；模型从中推导出声音                                                | 从视觉角色设计中推导声音   |
| **预设声音** | 从下拉列表中选择内置 TTS 2.0 声音                                             | 无需克隆的可靠旁白      |

### 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