バイトダンス・シーンオーディオ
対話を指示します。それを中心にサウンドを構築します。
周囲の部屋との会話、ナレーションによるシーン、または説明の効果音を作成します。 Seed Audio 1.0 は、スピーチ、アンビエンス、サウンド キューを 1 つの生成されたオーディオ トラックに組み込みます。
SEED AUDIO 1.0 で作成する
シーンと正確な会話を説明します。オプションの参照を追加し、生成し、リッスンしてダウンロードします。
生成されたトラックに音声が含まれている場合は、時間指定された字幕をダウンロードします。
ここでシーンを聞いてください
生成されたオーディオは、再生、ダウンロード、字幕のエクスポートのためにここに表示されます。
実際に生成された音声
以下の音声はすべて PixMind 上で Seed Audio 1.0 によって単一のテキストプロンプトから生成されたもので、編集は行っていません。プロンプトをコピーして同じシーンを再現できます。
会話 + 環境音
Create a 14-second spaceship cockpit scene in English. From 2–5 seconds, a calm male voice reports: “Engines at seventy percent, course locked.” From 6–11 seconds, a female voice replies urgently: “Reroute the auxiliary power, we have ninety seconds.” Low reactor hum, soft console beeps and a distant mechanical clank. No music.
ナレーション
Create a 12-second nature documentary narration in English. From 2–10 seconds, a warm male voice says: “Beyond the last ridge, the valley wakes. Mist lifts off the river as the first light touches the canopy.” Gentle birdsong, a flowing river and soft wind in the background. No music.
広告ボイス
Create a 12-second earbuds ad voiceover in English. From 2–6 seconds, an energetic female voice says: “Meet AeroBuds Pro — forty hours of battery and noise cancelling that silences the world.” From 7–10 seconds, she adds: “Order today and save thirty dollars.” Subtle whooshes and a bright closing chime. No loud music.
効果音
Create a 10-second morning forest soundscape. From 1–3 seconds, boots press into soft mud with a squelch. From 4–6 seconds, water drips from wet leaves. From 7–9 seconds, a woodpecker knocks in the distance and a gentle breeze moves through the branches. No speech and no music.
1 つのシーン、複数のサウンド
パフォーマンスとその環境を一緒に説明します。独自のシーンの開始点として、以下のプロンプトを使用してください。
参考シーンは即興のアイデアを示しています。これらは生成されたオーディオ結果ではありません。
対話 + 雰囲気
静かなカフェ、混雑した通り、または誰もいないホールでは、会話の雰囲気が異なります。
各キャラクターのセリフ、声、セリフを書き、周囲の音を説明します。 Seed Audio は、ダイアログとその背景を 1 つのトラックにまとめて生成できます。
英語で12秒のカフェシーンを作成します。 2 ～ 5 秒間、女性が「ここで待ちましょうか?」と優しく尋ねます。 6 ～ 9 秒で、男性は「雨が止むまで」と答えます。外は穏やかな雨、静かなカップ、そして低い部屋の雰囲気。大音量の音楽はありません。
画像ガイド付き音声
海岸線は、線を書く前に風、波、遠くの鳥を連想させることがあります。
音声をガイドする画像を 1 枚アップロードし、必要な音や話し言葉を説明します。ビデオ キーフレームは、編集にミックスするオーディオ トラックのリファレンスとして機能します。
この画像に海岸沿いの雰囲気を 15 秒間作成します。風が草の間を吹き抜け、波が岩に打ち寄せ、遠くで時折カモメの声が聞こえます。スピーチや音楽はありません。波が自然に上がったり消えたりするようにしましょう。
効果音 + タイミング
ラッチがカチッと鳴ります。ツールボックスが閉じます。部屋はバックグラウンドの騒音に戻ります。
効果を形作るためのオブジェクト、アクション、素材、空間について説明します。自然言語で希望の長さとタイミングを追加するか、独立したサウンドを生成して、より大きな編集に重ねます。
8 秒間の自転車ワークショップのサウンド シーンを作成します。小さな金属製のラッチが約 2 秒でカチッという音を立てます。赤い鋼鉄製の工具箱が、約 3 秒でガタンと音を立てて閉まります。いくつかの道具がカタカタと音をたて、それから静かな作業場の部屋のトーンに消えていきます。スピーチも音楽もありません。
シナリオプレイブック
完了する必要がある仕事から始めます。各例には、シーン参照、サウンド プラン、オーディオ ジェネレーターの編集可能なプロンプトが含まれています。
これらはシーンの参照と脚本のアイデアです。上のスタジオで独自のオーディオを生成して聞いてください。
短い配達シーンに、雨の夜を確立する会話と音を与えます。
オプションの画像参照としてビデオからキーフレームを取得します。トラックを生成し、エディターで元のクリップの下に配置し、タイミングを調整します。
12秒の雨の夜の配達シーンを英語で作成します。 0 ～ 2 秒間、雨が降り、濡れた舗道に足音が聞こえ、自転車が停止します。 2 ～ 5 秒後、女性がはっきりと「荷物はここにあります」と言いました。 6 ～ 9 秒あたりから、インターホン越しに温かい男性の声が「ありがとうございます、入ってください」と応答します。静かなドアの開く音で終わります。雨は会話の下に置いてください。音楽はありません。
2 人の異なる登場人物、自然な間、彼らを囲む静かなキッチンで別れのシーンを書きます。
各キャラクターの声とプロンプトでの説明を説明します。一貫した音声リファレンスを得るには、オーディオリファレンスモードに切り替えて、アップロード順にサンプルを識別します。
14秒の国内ショートドラマシーンを英語で作成します。中年の父親は低くて優しい声を持っています。彼の成人した娘は、はっきりとしたリラックスした声を持っています。静かなケトルとキッチンの雰囲気。 2 ～ 5 秒間、父親は静かに尋ねます。「すべて持っていますか?」 6 ～ 10 秒で、娘は愛情のこもった笑顔で「お茶以外のすべて」と答えます。少し間を置いてから、カップを置きます。背景は控えめにし、音楽は使用しません。
短いナレーションとスイッチのクリック音、抑制された音楽のベッドを組み合わせた電気スタンド広告です。
正確な広告コピーを引用符で囲み、その下に音楽について説明します。音声と利用可能な SRT 字幕をダウンロードし、製品のショットと組み合わせます。
英語で 12 秒の電気スタンド広告を作成します。約 1 秒で、小さな真鍮のスイッチがカチッと音を立てます。柔らかくミニマルなインストゥルメンタルベッドが入ります。 2 ～ 9 秒間、冷静で自信に満ちた女性が「少し明るくなりました。考える余地が少しありました。大切なもののためにスペースを確保してください。」と言いました。声を近くではっきりとさせ、音楽は低くし、最後の音は自然に消えていきます。
キャラクターが地下遺跡に入り、足跡、鍵、重い石のドアを探索します。
材質、距離、音響空間について説明します。プロトタイプには完全なシーン トラックを使用します。独立したゲームトリガーが必要な場合は、個別のエフェクトを個別に生成します。
地下の石造りの遺跡に 10 秒間のアドベンチャー ゲームのサウンド シーンを作成します。 0 ～ 2 秒から、濡れた石の上で革製のブーツがゆっくりと進み、近くのトーチがパチパチ音を立てます。約 2 秒で、ブロンズのロックがカチッと音を立てます。 3 ～ 6 秒間、重い石のドアが長い反響音を立てて開きます。残りの数秒間、音が洞窟の低い雰囲気に落ち着くまで待ちます。声もスピーチも音楽もありません。
設定、スピーカー、正確なセリフ、背景音、タイミング プランを組み合わせます。リファレンス オーディオは、アップロード順に @音频1、@音频2、@音频3 を使用します。
各行の全長と間隔を書きます。モデルはこれらの命令に基づいて音声を配置します。フレームの正確な位置合わせは編集段階のままです。
MP3、WAV、または OGG Opus をダウンロードします。字幕を有効にして、利用可能な音声タイミングを SRT としてエクスポートし、両方のファイルをビデオ プロジェクトに配置します。
声と周囲の環境が一致している場合は、シーン生成を使用します。それが主な成果物である場合は、専用の音声ツールまたは音楽ツールを使用します。
| ツール | こんな方に最適 | あなたが提供するもの | あなたが作るもの |
|---|---|---|---|
| Seed Audio 1.0 | アンビエンス、ナレーション、効果音による対話 | シーンの説明と、オプションの画像または音声の参照 | ワンシーンのオーディオトラック。オプションの音声字幕 |
| テキスト読み上げスタジオ | ナレーションとスクリプトを別々のセグメントに配置 | スクリプトセグメント、音声、配信指示 | アレンジしてエクスポートできる音声セグメント |
| AI音楽ジェネレーター | BGMと歌詞付きの曲 | 音楽の説明、スタイル、または歌詞 | ビデオプロジェクト用の音楽または曲 |
設定とサウンドに名前を付けます。正確なセリフを引用符で囲み、それぞれの声を説明します。
テキストのみ、1 つの画像、または最大 3 つの短い音声参照を使用します。形式と字幕オプションを選択します。
オーディオを聞いて、必要に応じてシーンの説明を調整し、利用可能な SRT 字幕を含むトラックをダウンロードします。
Seed Audio 1.0 は、シーンレベルのサウンドのための ByteDance のオーディオ作成モデルです。共有された自然言語の説明の下で、話し言葉のパフォーマンス、音響効果、雰囲気、音楽要素を組み合わせることができます。
はい。正確なセリフを書き、話者、感情、話し方を説明します。複数の文字をリクエストし、同じプロンプトで周囲の音を説明することができます。
ジェネレーターで画像を選択し、最大 10 MB の JPG、PNG、または WebP を 1 つアップロードします。必要なテキストまたは音声の説明を追加します。この統合では、画像参照をオーディオ参照またはプリセット音声と混合することはできません。
使用する順序でサンプルをアップロードします。それらを識別するには、プロンプトに @音频1、@音频2、および @音频3 と書き込みます。各サンプルは 30 秒以下、最大 10 MB である必要があります。設定されたプリセット音声は 1 つの参照スロットを占有します。
プロンプト内の各行の合計の長さと時間枠を説明します。たとえば、「12 秒のシーン。最初の話者は 2 ～ 5 秒話します。」オリジナルの最大出力は 120 秒です。このページでは、別の期間パラメータを使用しません。
現在の API には、中国語、英語、日本語、韓国語、メキシコ、ヨーロッパのスペイン語、ドイツ語、フランス語、ブラジル系ポルトガル語、タイ語、ベトナム語、マレー語、フィリピン語、イタリア語、ロシア語、オランダ語、ポーランド語、トルコ語がリストされています。
ジェネレーターは、テキスト、1 つの参照画像、または短い音声参照を受け入れます。ビデオからキーフレームを抽出し、画像参照として使用できます。同期した完成ビデオを生成したり、口の動きを変更するには、別のビデオ ワークフローが必要です。
ジェネレーターは、MP3、WAV、および OGG Opus オーディオを提供します。字幕の生成が有効で、モデルが音声タイムスタンプを返す場合は、SRT ファイルをダウンロードできます。オーディオは、個別のダイアログ、音楽、エフェクトのステムではなく、1 つのトラックが結合されたものです。
ジェネレーターは、送信前に現在の信用率を表示します。最大 120 秒まで予約され、その後、整数秒に切り上げられた元の生成されたオーディオ期間に基づいて設定されます。未使用の予約クレジットは返されます。速度を調整しても、請求に使用される元の期間は変更されません。
情報確認日：2026-10-25。
まずはセリフ、設定、聞きたい音から始めましょう。