對話 + 環境音
雨中站台对话
0:14生成一段 14 秒的黄昏火车站台场景。第 2–5 秒，女声温和地问：“这班车还要等多久？”第 6–10 秒，男声轻笑着回答：“大概二十分钟吧，正好陪你看会儿雨。”背景有持续的细雨声、远处列车进站的鸣笛和行李箱滚轮声。不要音乐。
位元組跳動 · 場景音訊生成
Seed Audio 1.0
寫下台詞，也寫出聲音裡的世界
一段帶著咖啡館氛圍的對話，一句有雨聲陪伴的旁白，或一個動作發生時的音效。 Seed Audio 1.0 能根據場景描述，把語音、環境聲與聲音細節生成在同一條音軌裡。
- 單次最長 120 秒
- 支援文字、圖片或音訊參考
- 可選配時間軸字幕
使用 SEED AUDIO 1.0 創作
把聲音的想法變成一條音軌
描述場景和準確台詞，按需添加參考素材，生成後即可試聽和下載。
創作音訊
Seed Audio 1.0寫清聲音、準確台詞和時間安排，單次最長生成 120 秒。0/3000
音訊設定
音軌含有人聲台詞時，可下載附時間軸的字幕。
產生結果
在這裡試聽你的場景
生成後可在這裡試聽、下載音頻，並匯出字幕。
真實生成音訊
試聽 Seed Audio 1.0
以下音訊全部由 PixMind 上的 Seed Audio 1.0 從一段文字提示詞直接生成，未經剪輯。複製提示詞即可重現場景。
旁白解說
深夜城市旁白
0:12生成一段 12 秒的深夜城市天台旁白。第 2–10 秒，低沉的男声缓缓地说：“凌晨两点的城市终于安静下来，霓虹在雾气里晕开，像一场不肯醒来的梦。”背景有轻柔的风声、远处的车流声和偶尔的风铃轻响。不要音乐。
廣告配音
智能手表广告配音
0:12生成一段 12 秒的智能手表广告配音。第 2–6 秒，充满活力的女声说：“全新 AirFit 手表，十四天超长续航，健康监测一步到位。”第 7–10 秒，她加重语气说：“现在下单，立减两百。”背景有轻快的电子提示音和收尾的清脆叮声。不要响亮的音乐。
音效擬音
清晨早餐铺
0:10生成一段 10 秒的清晨早餐铺声音。第 1–3 秒，油锅里的油条滋滋作响。第 4–6 秒，蒸笼掀开，白雾腾起伴着轻响。第 7–9 秒，远处传来自行车铃铛和邻桌瓷碗轻碰声。不要人声对白，不要音乐。
一個場景，多種聲音
寫清楚發生了什麼，也寫清聽到什麼
把人物表演和周圍環境放在一起描述，可以從下面的提示詞開始，改成自己的場景。
圖片用於展示場景與提示詞思路，並非模型產生的音訊結果。
角色對話 + 環境氛圍
讓角色在同一個空間說話
安靜的咖啡館、熱鬧的街道、空曠的大廳，會讓同一句對話聽起來不一樣。
寫明每個角色的台詞、聲音和說話方式，再補充周圍的聲音。 Seed Audio 可以把對話和背景氛圍一同生成在一條音軌裡。
- 指定每位說話者和準確台詞
- 描述情緒、停頓與語氣
- 讓背景聲保持在人聲之下
場景提示詞
產生一段 12 秒的咖啡館場景。第 2–5 秒，女生輕聲問：「我們在這裡等等吧？」第 6–9 秒，男生回答：「等雨停了再走。」窗外有輕柔雨聲，室內有輕微杯碟聲和低弱環境聲。不要響亮的音樂。
圖片參考生成音頻
從一格畫面，想像它的聲音
一片海岸，能讓人聯想到風、海浪和遠處的海鳥。
上傳一張圖片，引導音訊生成，再寫下需要的聲音或台詞。也可以截取影片關鍵影格作為參考，生成後把音軌加入自己的剪輯。
- 支援 1 張 JPG、PNG 或 WebP，最大 10 MB
- 形容所需的氛圍與人聲台詞
- 圖片參考與聲音參考分開使用
場景提示詞
為這張圖片產生 15 秒的海岸環境聲。風吹過草叢，海浪拍打礁石，遠處偶爾傳來海鷗叫聲。不要人聲和音樂，讓浪聲自然起伏漸弱。
動作音效 + 時間安排
把細小的聲音放進場景
鎖扣輕響，工具箱合上，房間又回到安靜的背景聲。
描述物件、動作、材質和空間，塑造所需的音效。用自然語言寫下時長與聲音出現的時間，也可以單獨產生一個聲音，再加入更完整的片段。
- 寫明動作與材質，例如金屬鎖扣
- 區分近處聲音和遠處環境聲
- 不需要人聲或音樂時直接說明
場景提示詞
產生一段 8 秒的自行車維修間聲音。大約第 2 秒，金屬鎖扣咔噠一響。大約第 3 秒，紅色鐵皮工具箱合上，發出堅固的撞擊聲。幾件工具輕輕晃動，隨後回到安靜的室內環境聲。不要人聲和音樂。
場景應用案例
從四種創作任務，開始設計聲音
按你要完成的任務選擇案例。每個案例都提供參考畫面、聲音安排和可改寫的提示詞，方便直接用於音訊創作。
以下是場景參考與聲音腳本思路，可在上方生成器中產生並試聽自己的音訊。
給無聲 AI 影片補上聲音
为一段雨夜送货镜头补上台词、脚步和环境声，交代时间、地点与人物动作。
聲音安排
- 第 0–2 秒：雨声、湿地脚步声，自行车停下
- 第 2–5 秒：配送員說：“您的快遞到了。”
- 第 6–9 秒：對講機裡回答：“謝謝，進來吧。”
怎麼用到專案裡
可以截取影片關鍵影格作為圖片參考，產生後把音軌放到原影片下方，在編輯器中調整時間位置。
場景提示詞
產生一段 12 秒的中文雨夜送貨場景。第 0–2 秒是輕柔雨聲、濕地腳步聲，隨後自行車停下。第 2–5 秒，女生清晰地說：「您的快遞到了。」第 6–9 秒，對講機傳來溫和男聲：「謝謝，進來吧。」最後加入輕微開門聲。讓雨聲保持在人聲之下，不要音樂。
創作短劇人物對話
讓父女告別的一小段對話帶上各自的聲音、自然停頓和廚房背景。
聲音安排
- 第 0–2 秒：燒水聲與輕微廚房環境聲
- 第 2–5 秒：父親問：“東西都帶齊了？”
- 第 6–10 秒：女兒回答：“就差你泡的這杯茶。”
怎麼用到專案裡
在提示詞中分別交代人物的聲音和說話方式。需要用聲音樣本保持角色音色時，切換到音訊參考模式，依上傳順序引用樣本。
場景提示詞
產生一段 14 秒的中文生活短劇場景。中年父親的聲音低沉溫和，成年女兒的聲音清晰、放鬆。背景有輕微燒水聲和廚房環境聲。第 2–5 秒，父親輕聲問：「東西都帶齊了？」第 6–10 秒，女兒帶著笑意回答：「就差你泡的這杯茶。」稍作停頓後，有輕輕放下茶杯的聲音。背景保持克制，不要音樂。
為產品廣告製作旁白
用一段簡短旁白、一次開關聲和輕柔配樂，為檯燈宣傳片搭好聲音。
聲音安排
- 第 0–2 秒：開關輕響，音樂漸入
- 第 2–9 秒：平靜、貼近的旁白說出廣告文案
- 第 9–12 秒：音樂自然收尾，保留安靜氛圍
怎麼用到專案裡
把準確廣告文案放進引號，說明音樂應低於人聲。產生後下載音軌和可用的 SRT 字幕，再與產品鏡頭合成。
場景提示詞
產生一段 12 秒的中文檯燈廣告音訊。大約第 1 秒有輕微金屬開關聲，隨後簡潔、輕柔的純音樂漸入。第 2–9 秒，平靜、自信的女生說：「一束剛好的光，一點思考的空間。把時間，留給重要的事。」讓人聲貼近、清晰，背景音樂保持輕柔，最後自然漸弱收尾。
為遊戲場景製作聲音原型
用腳步、鎖扣和沈重石門的聲音，表現角色進入地下遺跡的一刻。
聲音安排
- 第 0–2 秒：石廊裡的靴子腳步與火把聲
- 第 2–6 秒：銅鎖開啟，沉重石門緩緩移動
- 第 6–10 秒：石門停穩，聲音回到洞穴背景
怎麼用到專案裡
寫明材質、遠近和空間感。可以用完整場景音軌做原型；需要在遊戲中獨立觸發時，再分別產生每種音效。
場景提示詞
產生一段 10 秒的冒險遊戲地下遺跡音訊。第 0–2 秒，皮靴緩緩踏過潮濕石板，近處有火把燃燒聲。大約第 2 秒，銅製鎖扣咔噠開啟。第 3–6 秒，沉重石門緩緩摩擦移動，帶著悠長迴音。餘下時間漸漸回到低弱的洞穴環境聲。不要人聲、台詞和音樂。
給模型一份可以表演的聲音腳本
把场景、说话者、准确台词、背景声和时间安排写在一起。音频参考按上传顺序使用 @音频1、@音频2、@音频3 引用。
把時間安排寫進提示詞
寫明總時長和每句台詞的時間段，模型據此安排音頻。需要精確到視訊幀時，可在編輯器中進一步對齊。
把音軌帶進你的剪輯
下載 MP3、WAV 或 OGG Opus；開啟字幕後，還可將返回的人聲時間軸匯出為 SRT，一起放入影片專案。
按創作任務選擇音訊工具
人物和周圍聲音需要一起產生時，使用場景音訊；主要製作配音或歌曲時，可以選擇獨立的語音與音樂工具。
| 工具 | 適合任務 | 需要準備 | 輸出內容 |
|---|---|---|---|
| Seed Audio 1.0 | 帶有環境聲的對話、旁白與音效 | 場景描述，以及可選圖片或音訊參考 | 一場景音軌，可選人聲字幕 |
| 高級文字配音 | 按分段安排的旁白和配音文案 | 分段文案、音色與說話方式 | 可編排、導出的語音片段 |
| AI 音樂生成器 | 背景音樂與有歌詞的歌曲 | 音樂描述、風格或歌詞 | 用於影片專案的音樂或歌曲 |
三步驟創作 Seed Audio 場景
描述場景
寫明環境與聲音，把準確台詞放進引號，交代每位角色的聲音。
選擇參考方式
使用純文字、1 張圖片，或最多 3 個短音頻，選擇輸出格式和字幕選項。
產生、試聽並下載
試聽音頻，按需調整場景描述，再下載音軌與可用的 SRT 字幕。
Seed Audio 1.0 常見問題
Seed Audio 1.0 主要用來創作什麼？
Seed Audio 1.0 是位元組跳動的音訊創作模型，面向完整場景的聲音產生。可以用自然語言描述，把人聲表演、音效、環境聲和音樂元素組合在同一條音軌中。
Seed Audio 能產生新的角色台詞嗎？
可以。在提示詞中寫下準確台詞，並描述說話者、情緒和語氣。可以安排多個人物，也可以在同一份提示詞中描述周圍環境聲。
在 PixMind 如何使用圖片參考？
在生成器中選擇圖片參考，上傳 1 張不超過 10 MB 的 JPG、PNG 或 WebP，再填寫所需的文字或聲音描述。在目前存取中，圖片參考不能與音訊參考或預設音色混用。
多個音頻樣本應該怎麼引用？
依使用順序上傳，在提示詞中以 @音频1、@音频2、@音频3 對應引用。每條不超過 30 秒、10 MB。選擇已配置的預設音色時，會佔用一個參考位置。
如何指定時長和台詞出現的時間？
在提示詞中描述總時長和每句台詞的時間段，例如「生成 12 秒場景，第一位角色在第 2–5 秒說話」。原始音訊最長 120 秒，這個頁面不使用單獨的時長參數。
目前接入支援哪些語音語言？
目前 API 列出中文、英語、日語、韓語、墨西哥西班牙語、西班牙西班牙語、德語、法語、巴西葡萄牙語、泰語、越南語、馬來語、菲律賓語、義大利語、俄語、荷蘭語、波蘭語和土耳其語。
這個模型頁面可以上傳整段影片自動配音嗎？
生成器接收文字、單張圖片或短音訊參考。可以從影片截取關鍵影格作為圖片參考。產生同步成片或修改人物口型，需要另外的視訊工作流程。
生成後可以下載哪些檔案？
生成器提供 MP3、WAV 和 OGG Opus 音訊。開啟字幕並收到人聲時間戳記後，可下載 SRT 檔案。音訊輸出為合成音軌，不會分別匯出對話、音樂和音效分軌。
PixMind 如何計算 Seed Audio 1.0 的積分？
生成器會在提交前顯示當前積分單價，先按最長 120 秒預扣，再根據原始生成時長向上取整到秒結算，退還未使用積分。調整語速不改變計費用的原始長度。
模型說明與介面資料
資料核驗於 2026-10-25。
讓下一個場景有聲音，也有氛圍
從一句台詞、一個場景和你想聽到的聲音開始。