字节跳动 Seed Audio 1.0 - 通用音频生成

使用 ComfyUI 中的 Seed Audio 1.0，通过单一提示词生成语音、音乐、音效以及多说话人对话，支持声音克隆、预设音色和角色驱动音频。

Seed Audio 1.0 是字节跳动的通用音频生成模型，现在作为 ComfyUI 的内置节点提供。与仅将文字读出的传统文本转语音系统不同，Seed Audio 理解完整的声音频谱：它可以仅凭一段文本提示生成语音、音乐、音效、环境氛围以及多说话人对话。

​

Seed Audio 1.0 擅长什么

• 多模态音频生成：通过一条提示词生成语音、音乐、音效和环境音频。描述你听到的声音，Seed Audio 即可生成。
• 语音克隆：从最多 3 个参考片段克隆语音（在提示词中标记为 @Audio1、@Audio2、@Audio3），用于多角色对话或一致的旁白。
• 预设语音：无需参考片段，即可从内置 TTS 2.0 语音中选择，获得可靠、高质量的旁白。
• 图像驱动语音：从角色图像中提取语音，使语气和风格与视觉主体相匹配。
• 精细控制：独立调整每次生成的语速、音高、响度和采样率。
• 多说话人对话：在提示词中直接命名角色，Seed Audio 会自动处理声音分配、轮流发言和情感表达。
• 单次最长 2 分钟：生成适合旁白、播客片段、视频配音和声音设计的较长音频片段。

凭借这些能力，Seed Audio 1.0 可广泛应用于视频配音、多角色音频剧、产品演示、电子学习旁白、游戏音频原型制作和无障碍内容等场景。

​

在 ComfyUI 中使用

Seed Audio 1.0 工作流

在 ComfyUI 中运行文生音频、语音克隆和图像驱动音频工作流，可在本地或 Comfy Cloud 上运行。