Seed Audio 1.0 — Audio IA scène complète en une générationAudio scène complète
Modèle audio scène complète ByteDance Seed sur SeedDance. Orchestrez dialogue multi-personnages, jeu émotionnel, ambiance et effets sonores à partir d’un seul prompt — jusqu’à environ deux minutes d’audio par génération.
Disponible sur la plateforme SeedDance
Qu’est-ce que Seed Audio 1.0
Seed Audio 1.0 est un modèle multimodal de création audio de l’équipe Seed de ByteDance. Contrairement au text-to-speech classique qui sort une seule piste vocale, il génère des scènes sonores complètes — dialogue plus le monde acoustique autour. Sur SeedDance vous créez à partir d’un prompt texte (jusqu’à 1 500 caractères), optionnellement conditionné avec jusqu’à trois clips audio de référence ou une image de référence, pour des sorties jusqu’à environ deux minutes.
Au-delà du text-to-speech
Le TTS traditionnel transforme le texte en une voix. Seed Audio 1.0 vise le paysage sonore complet : dialogue, ambiance, effets et texture de scène en couches. Décrivez une scène en langage naturel et obtenez un mix écoutable au lieu d’enchaîner plusieurs outils.
Audio ou image de référence
Téléversez jusqu’à trois clips de référence et étiquetez-les dans le prompt avec @Audio1, @Audio2 et @Audio3 pour guider le style vocal. Ou utilisez une image de référence pour l’ambiance sans références audio — image et audio de référence ne peuvent pas être combinés dans la même génération.
Dialogue multi-rôles & émotion
Générez des conversations avec des locuteurs distincts, chacun avec son timbre et son arc émotionnel. Utile pour podcasts scénarisés, scénarios de formation et récits à personnages sans enregistrer plusieurs comédiens.
Ambiance & SFX en une passe
Ambiance environnementale et effets sonores alignés sur l’action peuvent être générés avec la parole dans un contexte de scène partagé — moins de chasse SFX séparée et de rough mixes pour prototypes et formats courts.
Ce que vous pouvez faire avec Seed Audio 1.0 sur SeedDance
Capacités disponibles dans le générateur audio IA SeedDance — avec des limites claires pour prompts, références et durée de sortie.
Jeu de fonctionnalités SeedDance pour Seed Audio 1.0
Capacités exposées dans le générateur audio IA SeedDance pour Seed Audio 1.0.
Génération de scène texte vers audio
Décrivez personnages, décor, humeur et rythme en langage naturel (jusqu’à 1 500 caractères). Le modèle rend une scène audio complète plutôt qu’une piste de narration plate.
Conditionnement par audio de référence
Téléversez jusqu’à trois clips de référence (typiquement jusqu’à 30 secondes et 10 Mo chacun) et référencez-les avec @Audio1, @Audio2, @Audio3 pour style vocal et casting de personnages.
Référence image optionnelle
Fournissez une seule image de référence (JPEG, PNG ou WebP) pour influencer l’ambiance sans références audio. Les références image et audio sont mutuellement exclusives.
Dialogue multi-personnages
Attribuez des voix distinctes à plusieurs locuteurs en une génération pour conversations scénarisées, interviews et échanges narratifs.
Ambiance & FX environnementaux
Générez un sound design ambient avec le dialogue — pluie, pas, bruit urbain, bourdonnement mécanique et autres couches de scène décrites dans le prompt.
Timing de dialogue au niveau du prompt
Indiquez dans le prompt quand les répliques doivent entrer. Le contrôle officiel de timing du dialogue personnage est disponible par intervalles d’environ 100 ms — utile pour doublage et scripts cadencés.
Audio de scène multilingue
Générez un audio de scène expressif dans de nombreuses langues (officiellement 20+), dont chinois, anglais, japonais, coréen, espagnol et plus — utile pour brouillons localisés.
Sortie jusqu’à ~2 minutes
Produisez jusqu’à environ deux minutes d’audio en une génération SeedDance — assez pour intros podcast, spots pub et courtes scènes dramatiques.
Questions fréquentes
Tout ce qu’il faut savoir sur Seed Audio 1.0 sur SeedDance.
Commencer avec Seed Audio 1.0 sur SeedDance
Essayez l’audio IA scène complète — dialogue multi-personnages, ambiance et effets à partir de texte et de références optionnelles, jusqu’à environ deux minutes par génération.