Seed Audio 1.0：ボイスプリセット・参照音声対応のテキストから音声生成 | RunComfy Models・API

Bytedance / Seed Audio 1.0#

Seed Audio 1.0は、Bytedanceが提供するテキストから音声生成モデルです。文章によるプロンプトを、明瞭で自然なスピーチや音声へ変換します。出力は、テキストプロンプトのみ、最大3つの短い参照クリップ、または話し方の手がかりとなる1枚の参照画像という3つの方法で誘導できます。

出力形式：音声のみ / 形式 wav、mp3、pcm、ogg_opus / サンプルレート 8 kHz～48 kHz。

主な特長#

Seed Audio 1.0は、表現を調整できる高速で柔軟な音声合成モデルです。

• 3つの誘導方法：テキストのみ、プリセット音声、独自の参照音声から合成できます。音声の代わりに参照画像で誘導することも可能です。
• 順番で指定する参照音声：プロンプト内で最大3つのクリップを@Audio1、@Audio2、@Audio3として指定し、複数のソースを組み合わせたり、狙った話し方を読み上げに反映したりできます。
• 多言語プリセット：英語、中国語、スペイン語、日本語、インドネシア語、ポルトガル語を組み合わせたプリセット音声から選べます。
• 話し方を調整：速度、音量、ピッチを変更し、プロジェクトに必要なテンポやトーンに合わせられます。
• 柔軟な出力：wav、mp3、pcm、ogg_opusで書き出せ、最大48 kHzのサンプルレートに対応。後工程の編集にも組み込みやすい形式です。

パラメータ#

料金#

RunComfy上のSeed Audio 1.0は、生成音声の長さに応じた時間制の料金体系です。

料金の目安

使い方#

Seed Audio 1.0で聞き取りやすい音声を作る手順は次のとおりです。

1. RunComfyでSeed Audio 1.0モデルを開き、生成パネルを表示します。
2. 読み上げたいプロンプトを入力します。自然な句読点を使うと、フレーズや間が整いやすくなります。
3. プリセット音声を選びます。特定の話し方を求める場合は、プリセットを使わず参照音声を添付します。
4. 参照音声を使う場合は、最大3つのクリップURLを追加し、プロンプト内で@Audio1、@Audio2、@Audio3として指定します。
5. 音声の代わりに、話し方のトーンを誘導する参照画像を1枚指定することもできます。
6. 速度、音量、ピッチを調整し、制作フローに合うoutput_formatとsample_rateを選びます。
7. 生成を実行し、結果をプレビューして、ジョブ履歴からファイルをダウンロードします。
8. 自動化する場合は、同じフィールドをRunComfyのSeed Audio 1.0エンドポイントへ送信します。セルフホスティングは不要です。

プロンプトと参照素材のコツ#

• 話してほしい形で文章を書きます。短い文と明確な句読点を使うと、Seed Audio 1.0の読み上げテンポが安定します。
• 参照クリップは短くクリアなものを使います。安定した結果を得るため、各クリップを30秒・10MB以内に収めます。
• @Audio1、@Audio2、@Audio3が意図したソースを指すよう、クリップの順番とプロンプト内の指定を一致させます。
• すばやい下書きにはプリセット音声を使い、特定のキャラクター性が必要になったら参照音声へ切り替えます。
• 画像と音声の参照モードは併用できないため、音声を渡さない場合のみ画像による誘導を使います。
• 速度とピッチは少しずつ調整します。大幅に変えると、読み上げが不自然になる場合があります。

Seed Audio 1.0と他モデルの比較#

• マルチモーダルなプロンプト：多くのテキスト専用音声ツールと異なり、Seed Audio 1.0はテキスト、参照音声、画像から出力を調整できます（公開情報に基づく）。
• 参照素材の扱い：@Audioマーカーでクリップを順番に指定できるため、固定された音声スロットが1つだけのモデルより細かくソースを制御できます。
• 柔軟な出力：複数のコンテナ形式と幅広いサンプルレートに対応し、Seed Audio 1.0の結果を既存の制作パイプラインへ簡単に組み込めます。