Seed Audio 1.0: geração de áudio a partir de texto com vozes predefinidas e referências | RunComfy Models e API

curl --request POST \
  --url https://model-api.runcomfy.net/v1/models/bytedance/seed-audio-1.0/text-to-audio \
  --header "Content-Type: application/json" \
  --header "Authorization: Bearer <token>" \
  --data '{
    "prompt": "Welcome back to the late-night show. Settle in, pour something warm, and let's ease into the next track together."
  }'

curl --request GET \
  --url https://model-api.runcomfy.net/v1/requests/{request_id}/status \
  --header "Authorization: Bearer <token>"

curl --request GET \
  --url https://model-api.runcomfy.net/v1/requests/{request_id}/result \
  --header "Authorization: Bearer <token>"

curl --request POST \
  --url https://model-api.runcomfy.net/v1/requests/{request_id}/cancel \
  --header "Authorization: Bearer <token>"

{
  "type": "object",
  "title": "Esquema de entrada",
  "required": [
    "prompt"
  ],
  "properties": {
    "prompt": {
      "title": "Prompt",
      "description": "Texto a sintetizar. Cite os clipes de referência na ordem com @Audio1, @Audio2 e @Audio3.",
      "type": "string",
      "default": "Welcome back to the late-night show. Settle in, pour something warm, and let's ease into the next track together."
    },
    "voice": {
      "title": "Voz",
      "description": "Voz predefinida usada na síntese.",
      "type": "string",
      "enum": [
        "vivi_mixed_en_zh_ja_es_id",
        "mindy_en_es_id_pt_zh",
        "kian_en_zh",
        "cedric_en_zh",
        "sophie_en_zh",
        "jean_en_zh",
        "magnus_en_zh",
        "mabel_en_zh",
        "nadia_en_zh",
        "opal_en_zh",
        "pearl_en_zh",
        "quentin_en_zh",
        "corinne_mixed_en_zh",
        "esther_mixed_en_zh",
        "lyla_mixed_en_zh",
        "tracy_es_zh",
        "sandy_es_mixed_en_zh",
        "felix_zh",
        "celeste_zh",
        "monkey_king_zh"
      ],
      "default": "vivi_mixed_en_zh_ja_es_id"
    },
    "audio_urls": {
      "title": "URLs de áudio de referência",
      "description": "Até 3 clipes de referência, citados no prompt como @Audio1, @Audio2 e @Audio3. Cada clipe pode ter até 30s e 10MB, nos formatos wav/mp3/pcm/ogg_opus.",
      "type": "array",
      "items": {
        "type": "string",
        "format": "audio_uri"
      },
      "maxItems": 3
    },
    "image_url": {
      "title": "URL da imagem de referência",
      "description": "Uma imagem de referência (jpeg/png/webp, até 10MB). Não pode ser combinada com referências de áudio.",
      "type": "string"
    },
    "output_format": {
      "title": "Formato de saída",
      "description": "Contêiner do áudio de saída.",
      "type": "string",
      "enum": [
        "wav",
        "mp3",
        "pcm",
        "ogg_opus"
      ],
      "default": "mp3"
    },
    "sample_rate": {
      "title": "Taxa de amostragem (Hz)",
      "description": "Taxa de amostragem do áudio de saída, em Hz.",
      "type": "integer",
      "enum": [
        8000,
        16000,
        24000,
        32000,
        44100,
        48000
      ],
      "default": 24000
    },
    "speed": {
      "title": "Velocidade",
      "description": "Velocidade de leitura. 1.0 é normal, 0.5 é metade e 2.0 é o dobro.",
      "type": "number",
      "minimum": 0.5,
      "maximum": 2,
      "default": 1
    },
    "volume": {
      "title": "Volume",
      "description": "Volume da saída. 1.0 é normal, 0.5 é metade e 2.0 é o dobro.",
      "type": "number",
      "minimum": 0.5,
      "maximum": 2,
      "default": 1
    },
    "pitch": {
      "title": "Tom",
      "description": "Alteração do tom da voz em semitons. 0 é normal, -12 reduz uma oitava e 12 aumenta uma oitava.",
      "type": "integer",
      "minimum": -12,
      "maximum": 12,
      "default": 0
    }
  }
}