Seed Audio 1.0
每 1,000 个字符 $0.278 起
ByteDance 的文字转语音模型,可选择使用音频或图片参考素材。根据脚本生成旁白。
当你点名要求时,Craze 会运行 Seed Audio 1.0。
Seed Audio 1.0擅长什么
一次生成即可从脚本到语音
写下你想要说出的台词。
参考素材引导的声音克隆
最多上传 3 段音频,每段最长 30 秒,用来引导生成的声音。
一次完成多角色对白
对于不同的角色,分别生成台词,然后在编辑器中组合起来。
精确的时间控制
把生成的语音放到编辑器中,在那里根据视频调整它的时间。
导演。创作。剪辑。
别再写提示词,开始当导演。
Craze 与你一起碰撞创意、做调研、做规划。
创作有品位的内容。
Craze 能生成你能想象的一切。视频、音频、音乐、动态图形等等。
几分钟剪好视频,而不是几天。
Craze 会看完你的素材并剪出成片。如有需要,还有真正的编辑器。
制作人们愿意看的视频
- UGC 视频
- 动态图形
- 故事长片
- 产品可视化
- 微短剧
- 3D 影片
- 音乐视频
- 品牌影片
- 婚礼精彩集锦
- YouTube 测评
Seed Audio 1.0与其他模型对比
这里的每个模型都可在所有 Craze 套餐(包括 Free)中使用,而且 Craze 可以为每个镜头使用不同的模型。
| Seed Audio 1.0ByteDance Seed | ElevenLabs v4ElevenLabs | Gemini 3.8 Flash TTSGoogle DeepMind | Gemini 3.8 Flash Lite TTSGoogle DeepMind | |
|---|---|---|---|---|
| 生成 | 文字 + 音频 + 图片生音频 | 文字生音频 | 文字生音频 | 文字生音频 |
| 起价 | 每 1,000 个字符 $0.278 | 每 1,000 个字符 $0.089 | 每 1,000 个字符 $0.050 | 每 1,000 个字符 $0.034 |
Craze 上的 Seed Audio 1.0规格
| 任务 | 输入 | 分辨率 | 画面比例 | 声音 |
|---|---|---|---|---|
| 文字转语音 | 参考素材 | 跟随源素材 | 跟随输入 | 无 |
常见问题
在 Craze 上,Seed Audio 1.0 根据脚本生成语音。你可以选择提供音频或图片参考素材,但不能同时提供两种类型。
创作者选择 Seed Audio 1.0 的理由
Seed Audio 1.0 除了文本还接受参考素材,为你提供了另一种引导旁白的方式。
一次生成即可从脚本到语音
写下你想要说出的台词。Craze 会把脚本发送到文字转语音接口,并返回一个音频文件。
参考素材引导的声音克隆
最多上传 3 段音频,每段最长 30 秒,用来引导生成的声音。你也可以提供一张图片作为参考素材。一次生成中不能混用音频和图片参考素材。
一次完成多角色对白
对于不同的角色,分别生成台词,然后在编辑器中组合起来。Craze 的接口不提供多说话人分配控制。
精确的时间控制
把生成的语音放到编辑器中,在那里根据视频调整它的时间。此接口不提供毫秒级的时间标注。
支持声音转换的多语言能力
用你想要生成的语言提供旁白脚本。如需本地化版本,请把翻译后的脚本作为另一次生成提交。
如何在 Craze 中使用 Seed Audio 1.0
- 编写旁白脚本,最多 2,048 个字符。
- 可以最多上传 3 段音频参考素材,每段最长 30 秒,或上传一张图片参考素材。
- 在聊天中指明 Seed Audio 1.0,或在“模型”面板中选择它。
- Craze 生成语音,并把音频放入你的项目。
- 如果想要不同的版本,可以修剪、调整或重新生成。
Seed Audio 1.0 价格
价格从每 1,000 个字符 $0.278 起,并随脚本长度变化。价目表中没有按参考素材类型区分的价格。计算器会在你生成前显示总费用。
Seed Audio 1.0 适合谁
播客和广播剧制作
为播客或广播剧生成旁白,然后在剪辑中把其他声音、音乐和环境声作为单独的轨道添加进去。
品牌音频内容和广告
为广告生成旁白,并在剪辑中单独添加音乐或音效。
带拟音的游戏对白
分别生成角色台词,然后在编辑器中叠加环境声和拟音。
面向全球的本地化
为每种语言提交翻译后的脚本,制作本地化旁白。
Seed Audio 1.0 与其他模型的比较
MiniMax Speech 2.8 HD 是文字转语音模型,支持可选的声音 ID 和声音标签。Seed Audio 1.0 同样生成语音,但接受音频或图片参考素材。这两个 Craze 接口都不是完整的音乐和拟音混音器。
如需富有表现力的英语旁白,Gemini 3.1 Flash TTS 提供导演式控制。如需带情绪标签的多语言旁白,Qwen Audio 3.0 TTS 是另一个选择。Seed Speech 提供文本旁白,并支持可选的声音 ID。
参考音频指南
Seed Audio 1.0 最多接受 3 段音频参考素材,每段最长 30 秒,或一张图片参考素材。每个请求只能选择一种参考素材类型。该接口不提供说话人与参考素材的对应分配。
音乐和拟音生成
Craze 的这条接口用于语音。对于咖啡店场景,在这里生成咖啡师的台词,然后用其他工具添加音乐和环境声。
在你的项目中,把语音轨道的时间和音量与单独生成的声音一起编辑。
对于脚步声或开门声等拟音,请使用音效模型,并把结果与你的旁白混合。
多角色对白工作流程
对于两个说话人,用相应的参考素材分别生成他们的台词,并在编辑器中编排音频。Craze 不会在一次 TTS 请求中把多个参考素材对应到指定的说话人。
每段脚本保持在 2,048 个字符以内。用多个生成的片段组合出更长的对话。
时间控制
Craze 的这条接口不提供时间标注控制。在剪辑中调整生成语音的位置,使其与画面节拍对齐。
多语言和本地化
每次生成本地化版本时,把翻译后的台词作为脚本。可选的参考素材可以引导声音,但 Craze 的这条接口不提供单独的声音转换任务。



















