ByteDance Seed: Seed Audio 1.0

ByteDance Seed Audio 1.0 是以聲音場景為核心的音訊創作模型。透過文字任務說明，可一起塑造語音、音效及環境音。因此，它適用於有聲故事、遊戲遭遇、短篇戲劇對話，或搭配剪輯影片的場景。純人聲工作應描述說話者與演出；較完整的場景則應加上聲學環境，以及對白與周邊聲音的關係。

依聽眾應體驗場景的順序準備任務說明。指出角色、預期情緒狀態，以及需要說出的話。接著描述空間、重要聲音提示及當下情節的發展方式。製作說明應區分精確對白與場景描述，讓結果能同時與兩者核對。指出哪些元素對理解必不可少，哪些應留在背景。即使台詞相同，安靜房間、擁擠車站與開放庭院仍需要不同的聲音設計。

原創範例是遊戲角色在短暫避雨場景中安撫同伴：克制的聲音說「我們可以在這裡等」，搭配低音量雨聲環境音，並在台詞後出現一聲靠近的腳步。實用的聆聽檢查是字句是否清晰、人聲是否傳達安心，以及聲音提示是否在場景中合理的時點出現。另一項說明可以要求清楚的旁白介紹產品，不帶周邊氛圍音。這些是具體表達意圖的示例，並非生成音訊紀錄，也不是對完成混音的承諾。

製造商記載了提示層級的角色對白時序控制，以 100 ms 為間隔。使用這項控制描述台詞應在腳本序列中的何時進入，或規劃語音如何配合既有剪輯。將對白時序與音效、環境音的位置分開：發行說明將角色對白列為主要時序控制重點。依預定場景審閱實際開始時間、停頓及重疊。時序間隔描述模型的控制粒度，不能免除聆聽最終演出的必要。

聲音可透過文字描述、經授權的參考樣本，或兩者共同指定。製造商將其描述為無須為每位說話者訓練獨立模型的聲音塑造。將穩定的聲音特徵與當前台詞的情緒分開描述。重複出現的角色可能需要平靜介紹與急迫回應，同時維持辨識度。實務準備時，選擇能清楚聽見目標人聲的參考，並指出哪些特徵應帶入新演出。準備相關場景時，保持該參考與角色說明一致。

發行說明記載支援超過 20 種語言的生成，包括中文、英文、日文、韓文、西班牙文、印尼文、德文、法文、泰文及越南文。它描述了將可辨識角色聲音調整為不同語言節奏與表達的能力。提供最終語言的對白，請理解該語言的聆聽者審閱名稱、重音、停頓及情緒語氣。多語言版本應維持角色定位與情緒意圖穩定，同時給每份腳本足夠空間自然措辭。將翻譯作為腳本工作的一部分準備，避免假設聲音場景說明已涵蓋每項在地化決策。

根據製造商發行說明，Seed Audio 1.0 單次可生成最長兩分鐘，並支援接續生成。較長故事適合使用場景邊界與可重複使用的角色說明。每次接續時，除了連結各段的字句，也聆聽聲音、背景質感及步調是否改變。將傳回音訊視為供聆聽的素材：準備播放或匯入編輯器時檢查實際檔案資訊，並保留腳本與場景說明供修訂。串接的製作成果應作為連續場景檢查，不能只檢查個別片段。

製造商描述了統一架構，由語言層級的創作意圖引導基於擴散的聲學生成器。對任務說明的實際意義，是可將聲音與環境一起考量。聚焦於定義場景的少數關係：台詞是否突出、音效是否打斷台詞，以及氛圍如何支持當下情緒。加入許多不相關提示，會讓需要修訂的結果部分更難辨識。聲音提示搶過對白，或演出未呈現預期語氣時，調整該段的創作指示。

發行說明指出，長篇複雜資料中的聲音連續性，以及各聲音元素更細緻的時序，仍是發展領域。製作審閱應保持具體：精確字句、說話者身分、語言、進入時點、清晰度，以及各接續段落的一致性。此模型的實用輸出是可聽見的場景或語音演出。關於剪輯切點、字幕及交付格式的個別決策，可根據實際結果與目標製作需求決定。