ByteDance Seed: Seed Audio 1.0
ByteDance Seed Audio 1.0 ijodiy topshiriqdan ovozli ijrolar va tovush sahnalarini yaratadi. U ovozlar, effektlar va muhit tovushlarini muvofiqlashtiradi, dialog vaqtini 100 ms oraliqlarda boshqarishni qo‘llab-quvvatlaydi va 20 dan ortiq tilni qamrab oladi. Ishlab chiqaruvchi davom ettirish imkoniyati bilan har bir generatsiyada ikki daqiqagacha natijani tavsiflaydi.
Model haqida
Bu tavsif model imkoniyatlarini yoritadi. Ailoot da tanlangan usul uchun mavjud kirish, chiqish va parametrlar quyida keltirilgan.
ByteDance Seed Audio 1.0 — tovush sahnasi atrofida tashkil etilgan audio yaratish modeli. Matnli topshiriq orqali nutq, effektlar va muhit tovushlarini birgalikda shakllantirish mumkin. Bu uni ovozli hikoya, o‘yindagi uchrashuv, qisqa dramatik muloqot yoki montaj qilingan videoga hamroh sahna uchun foydali qiladi. Faqat ovoz kerak bo‘lsa, so‘zlovchi va ijroni tavsiflang; to‘liqroq sahna uchun akustik muhit hamda dialogning atrofdagi tovushlar bilan munosabatini ham tasvirlang.
Topshiriqni tinglovchi sahnani boshdan kechirishi kerak bo‘lgan tartibda tayyorlang. Qahramonlarni, ularning ko‘zlangan hissiy holatini va aytishi kerak bo‘lgan so‘zlarni belgilang. Keyin joy, muhim tovush signallari va voqea qanday rivojlanishini tavsiflang. Ishlab chiqarish topshirig‘i aniq dialogni sahna tavsifidan ajratishi kerak, shunda natijani ikkala qismga nisbatan tekshirish mumkin. Qaysi elementlar tushunish uchun zarur, qaysilari fonda qolishi kerakligini ayting. Sokin xona, gavjum bekat va ochiq hovli, aytiladigan jumla bir xil bo‘lsa ham, turli tovush dizaynini talab qiladi.
Mualliflik misoli — qisqa boshpana sahnasida hamrohiga dalda berayotgan o‘yin qahramoni: vazmin ovoz “Bu yerda kutishimiz mumkin”, deydi; fonda past yomg‘ir shovqini va jumladan keyin yaqinlashayotgan bitta qadam eshitiladi. Tinglashdagi foydali tekshiruv — so‘zlar tushunarlimi, ovoz dalda beradimi va signal sahnaning mantiqli nuqtasida keladimi. Boshqa topshiriqda atrof muhit tovushlarisiz mahsulotni tanishtiradigan tiniq diktor so‘ralishi mumkin. Bular yaratilgan audio yozuvlari yoki tayyor miks haqidagi va’dalar emas, niyatni belgilashning misollaridir.
Ishlab chiqaruvchi qahramon dialogi vaqtini prompt darajasida 100 ms oraliqlarda boshqarishni hujjatlashtiradi. Ssenariy ketma-ketligida jumla qachon kirishini tasvirlash yoki mavjud montajga nutqni mos rejalash uchun shu boshqaruvdan foydalaning. Dialog vaqtini effektlar va muhit tovushlari joylashuvidan ajrating: relizda vaqt boshqaruvining asosiy yo‘nalishi sifatida qahramon dialogi ko‘rsatilgan. Haqiqiy boshlanishlar, pauzalar va ustma-ust tushishlarni ko‘zlangan sahnaga nisbatan tekshiring. Vaqt oralig‘i model boshqaruvining mayda qadamini ifodalaydi va yakuniy ijroni tinglash zaruratini yo‘qotmaydi.
Ovoz matnli tavsif, foydalanishga ruxsat berilgan namuna yoki ikkalasi orqali belgilanishi mumkin. Ishlab chiqaruvchi buni har bir so‘zlovchi uchun alohida model o‘qitmasdan ovozni shakllantirish sifatida taqdim etadi. Barqaror ovoz xususiyatlarini joriy jumla hissiyotidan alohida tavsiflang. Takror paydo bo‘ladigan qahramonga sokin kirish va shoshilinch javob kerak bo‘lishi mumkin, biroq u taniladigan bo‘lib qolishi lozim. Amaliy tayyorgarlikda ko‘zlangan ovoz oson eshitiladigan tiniq namuna tanlang va yangi ijroga nimalar o‘tishi kerakligini belgilang. Bog‘liq sahnalarni tayyorlashda shu namuna va qahramon topshirig‘ini izchil saqlang.
Reliz xitoy, ingliz, yapon, koreys, ispan, indonez, nemis, fransuz, tay va vetnam tillari kabi 20 dan ortiq tilda generatsiyani hujjatlashtiradi. Unda taniladigan qahramon ovozini turli tillarning ritmi va ifodasiga moslashtirish tavsiflangan. Yakuniy tildagi dialogni taqdim eting, nomlar, urg‘u, pauzalar va hissiy ohangini shu tilni tushunadigan tinglovchi bilan tekshiring. Ko‘p tilli versiyalarda qahramonning roli va hissiy niyatini saqlang, shu bilan birga har bir ssenariyga tabiiy jumlalar uchun yetarli joy bering. Tarjimani ssenariy ishining bir qismi sifatida tayyorlang; tovush sahnasi topshirig‘i barcha mahalliylashtirish qarorlarini o‘zi beradi deb hisoblamang.
Ishlab chiqaruvchi reliziga ko‘ra, Seed Audio 1.0 bir martada ikki daqiqagacha audio yaratadi va davom ettirishni qo‘llab-quvvatlaydi. Uzun hikoyada sahna chegaralari va qayta ishlatiladigan qahramon topshirig‘i foyda beradi. Har bir davomda qismlarni bog‘laydigan so‘zlar bilan birga ovoz, fon teksturasi va sur’atdagi o‘zgarishlarni ham tinglang. Qaytgan audioni tinglab baholanadigan audio material sifatida ko‘ring: ijroga tayyorlash yoki tahrirlagichga import qilishda uning haqiqiy fayl ma’lumotlarini tekshiring, qayta ishlash uchun ssenariy va sahna topshirig‘ini yonida saqlang. Birlashtirilgan asarni faqat alohida kliplar sifatida emas, uzluksiz sahna sifatida tekshirish kerak.
Ishlab chiqaruvchi til darajasidagi ijodiy niyat diffuziyaga asoslangan akustik generatorni boshqaradigan yagona tizimni tavsiflaydi. Topshiriq uchun amaliy ma’nosi — ovoz va muhitni birgalikda ko‘rib chiqish mumkin. Sahnani belgilaydigan bir nechta munosabatga e’tibor bering: jumla old plandami, effekt uning aytilishini to‘xtatib qo‘yadimi va muhit hissiy lahzani qanday qo‘llab-quvvatlaydi. Ko‘plab bog‘liq bo‘lmagan signallar qo‘shish natijaning qaysi qismi qayta ishlanishi kerakligini aniqlashni qiyinlashtiradi. Signal dialog bilan raqobatlashsa yoki ijro ko‘zlangan ohangga yetmasa, shu parcha yo‘nalishini o‘zgartiring.
Relizda uzun va murakkab materialdagi ovoz izchilligi hamda tovush elementlari bo‘ylab yanada nozik vaqt boshqaruvi rivojlantiriladigan yo‘nalishlar sifatida ko‘rsatilgan. Ishlab chiqarish tekshiruvini aniq jihatlar bo‘yicha olib boring: so‘zlarning aynan mosligi, so‘zlovchi shaxsi, til, tovushlarning kirish vaqti, tushunarlilik va davomlar orasidagi izchillik. Ushbu modelning foydali chiqishi eshitiladigan sahna yoki ovozli ijrodir. Tahririy kesishlar, subtitrlar va yetkazish formati bo‘yicha alohida qarorlar shu haqiqiy natija va mahsulot talablaridan kelib chiqib qabul qilinishi mumkin.
Ailoot Ultra · Nutq POST /v1/audio/speech bytedance-seed/seed-audio-1-0
bytedance-seed/seed-audio-1-0Boshlash
ByteDance Seed Audio 1.0 ijodiy topshiriqdan ovozli ijrolar va tovush sahnalarini yaratadi. U ovozlar, effektlar va muhit tovushlarini muvofiqlashtiradi, dialog vaqtini 100 ms oraliqlarda boshqarishni qo‘llab-quvvatlaydi va 20 dan ortiq tilni qamrab oladi. Ishlab chiqaruvchi davom ettirish imkoniyati bilan har bir generatsiyada ikki daqiqagacha natijani tavsiflaydi.
- Qabul qilinadigan kirish ma’lumotlari
- Matn
- Natijalar
- Audio
Ailoot da mavjud · kirish ma’lumotlari va usullar
Ailoot Ultra · Nutq POST /v1/audio/speech
- Kirish
text- Chiqish
audio
| Maydon | Tur | Talab | Qiymatlar va cheklovlar | Standart |
|---|---|---|---|---|
Maydonmodel | Turstring | TalabMajburiy | Qiymatlar va cheklovlar bytedance-seed/seed-audio-1-0 | Standart— |
Maydoninput | Turstring | TalabMajburiy | Qiymatlar va cheklovlar Eng kam uzunlik: 1 | Standart— |
Maydonvoice | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar Eng kam uzunlik: 1 | Standart— |
Maydonresponse_format | Turstring | TalabIxtiyoriy | Qiymatlar va cheklovlar mp3, pcm | Standartpcm |
Maydonprovider | Turobject | TalabIxtiyoriy | Qiymatlar va cheklovlar | Standart— |
Usul parametrlari va hayot sikli
| Parametr | Parametr talablari |
|---|---|
Parametrcontent_type | Parametr talablariapplication/json |
Parametrrequired | Parametr talablarimodel, input |
Parametrmaterial_types | Parametr talablaritext |
Hayot sikli: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · Amalda qaytarilgan task_id yoki media kutubxonasidagi yozuv
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Tariflar
Tarif ma’lumotlari so‘rov imkoniyatlarini qo‘shmaydi. Qo‘llab-quvvatlanadigan parametrlar tanlangan usulda ko‘rsatilgan.
- Tezkor rejim
- Ko‘rsatilmagan Tezkor rejim tanlanganda
- Flex rejimi
- Ko‘rsatilmagan flex rejimi tanlanganda
- Maksimal fikrlash darajasi
- Ko‘rsatilmagan Maksimal fikrlash darajasi uchun standart (default) tuzatish qo‘llanganda
Ailoot tariflari
Sozlamalar bo‘yicha narxlar
Har bir to‘lovni ko‘rsatilgan shartlarga moslang. Har bir muqobil sozlamalar to‘plami uchun bitta tarifdan foydalaning.
| Sozlama | Tariflar jadvali | Hisob birligi | To‘lov |
|---|---|---|---|
| SozlamaTokenlar uchun bazaviy tariflar | Tariflar jadvaliAsosiy tarif | Hisob birligi— | To‘lov Kirish · Kirish tokenlari — / 1K token Chiqish · Chiqish tokenlari — / 1K token Kirish · Keshdan o‘qish — / 1K token Kirish · Keshga yozish — / 1K token Kirish · Keshga yozish, 1 soat — / 1K token |
| SozlamaChiqish audiosi soniyasi | Tariflar jadvali— | Hisob birligichiqish audiosining soniyasi uchun | To‘lov Chiqish · Chiqish audiosi soniyasi $0.005 chiqish audiosining soniyasi uchun |
Ailoot so‘rovdan oldin taxminiy summani band qiladi. Natijadan keyin o‘lchangan sarf asosidagi yakuniy to‘lovni yechadi. Oqimli javob bo‘yicha yakuniy hisob-kitob yakuniy sarf yozuviga asoslanadi. Summani band qilish va to‘lovni hisoblash tartibi →
So‘rov namunalari
Ailoot Ultra · Nutq
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"
export AILOOT_INPUT_TEXT
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
request={'model': 'bytedance-seed/seed-audio-1-0', 'input': '${ACTUAL_INPUT_TEXT}'}
request['input']=os.environ['AILOOT_INPUT_TEXT']
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o response.bin
# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.
Natijalarni olish va saqlash
Ailoot Ultra · Nutq
To‘liq ikkilik audio yoki dastlabki audio_url javobi, sarlavhalar va egalik qilinadigan har bir aktiv.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Boshqa kontentni o‘qish
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
-H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.
Barcha tayyor natijalarni saqlash
Qaytarilgan har bir to‘liq javob, fayl va kontent qismini saqlang.
To‘liq javob va sarlavhalarni, amalda qaytarilgan barcha natijalarni, dastlab qaytarilgan identifikatorlarni hamda barcha usage maydonlarini saqlang. Yaratish so‘rovini qayta yubormasdan dastlabki operatsiyani tiklang.
Asl javobni tekshirish kerak bo‘lsa
Qaytarilgan X-Client-Request-ID ni ma’lumotlarni solishtirib tekshirish uchun saqlang. Faqat amalda qaytarilgan task_id/asset_id qiymatlari bo‘yicha yoki o‘zingizga tegishli media kutubxonasidan ma’lumot o‘qing; operatsiya ID sidan vazifa URL manzilini hech qachon tuzmang va yaratish so‘rovini qayta yubormang.
Taxalluslar
Model taxalluslari
Ailoot Ultra bytedance-seed/seed-audio-1-0
Usul yo‘llari taxalluslari
Yuqorida ko‘rsatilgan usul yo‘llaridan foydalaning.
Chaqirish uchun tegishli ID lar
FAQ · ByteDance Seed: Seed Audio 1.0
- Qanday kirish ma’lumotlari va natijalar mavjud?
POST /v1/audio/speech·bytedance-seed/seed-audio-1-0:text→audio- So‘rov qaysi maydonlardan foydalanadi?
POST /v1/audio/speech·bytedance-seed/seed-audio-1-0:model,input,voice,response_format,provider