ByteDance Seed Audio 1.0 - ComfyUI Built-in Node Documentation

使用 ByteDance Seed Audio 1.0，通过单个提示词生成语音、音乐、音效和多说话人对话。

使用 ByteDance Seed Audio 1.0，通过单个提示词生成语音、音乐、音效和多说话人对话。在提示词中描述声音、情感、氛围、背景音乐和音效，并包含要朗读的台词。可选择内置预设音色，从最多 3 个参考音频片段克隆音色（在提示词中标记为 @Audio1-3），或从角色图像派生音色。每次运行最多生成 2 分钟音频。多语言模型支持 20 种语言以及基于时间戳的时序控制。

输入

参数	描述	数据类型	必填	范围
`text_prompt`	描述声音、情感、节奏、氛围、背景音乐和音效，并包含要朗读的台词（对话中可内联命名角色）。在 "audio reference" 模式下，按顺序将连接的片段称为 @Audio1、@Audio2、@Audio3。使用多语言模型时，引号中的台词可以以时间戳范围开头，用于控制其开始时间和持续时间，例如 `[5.5s:8.0s] Wait for me!`。提示词应使用与要朗读台词相同的语言书写。最少 1 个字符，最多 3000 个字符。	STRING	是	1 到 3000 个字符
`reference_mode`	如何为音色设置条件："text only"（在提示词中描述所有内容）、"audio reference"（克隆最多 3 个音色，标记为 @Audio1-3）、"image reference"（从一张角色图像派生音色）或 "preset voice"（选择一个内置命名音色来朗读提示词）。	COMBO	是	`"text only"` `"audio reference"` `"image reference"` `"preset voice"`
`reference_audio_1`	用于音色克隆的参考片段，在提示词中标记为 @Audio1。最长 30 秒。仅当 `reference_mode` 为 "audio reference" 时可用。	AUDIO	否	最多 30 秒
`reference_audio_2`	在提示词中标记为 @Audio2 的参考片段。最长 30 秒。仅当 `reference_mode` 为 "audio reference" 时可用。	AUDIO	否	最多 30 秒
`reference_audio_3`	在提示词中标记为 @Audio3 的参考片段。最长 30 秒。仅当 `reference_mode` 为 "audio reference" 时可用。	AUDIO	否	最多 30 秒
`reference_image`	单张角色图像；模型会从中派生音色。不能与参考音频组合使用。仅当 `reference_mode` 为 "image reference" 时可用。	IMAGE	否	-
`preset_voice`	一个内置 TTS 2.0 音色，用于朗读提示词。无需参考片段，且此模式下不使用 @AudioN 标签。当 `reference_mode` 为 "preset voice" 时必填。	COMBO	否	多个内置预设音色选项（默认选择第一个选项）
`sample_rate`	输出采样率，单位为 Hz。（默认值："24000"）	COMBO	是	`"8000"` `"16000"` `"24000"` `"32000"` `"44100"` `"48000"`
`speech_rate`	语速。0 = 正常，100 = 2.0 倍，-50 = 0.5 倍。（默认值：0）	INT	是	-50 到 100
`loudness_rate`	响度。0 = 正常，100 = 2.0 倍，-50 = 0.5 倍。（默认值：0）	INT	是	-50 到 100
`pitch_rate`	音高偏移，单位为半音（-12 到 12）。（默认值：0）	INT	是	-12 到 12
`seed`	种子控制节点是否应重新运行；无论种子如何，结果都是非确定性的。（默认值：42）	INT	是	0 到 2147483647
`model`	模型版本。`seed-audio-1.0-multilingual` 支持 20 种语言，并可通过 `[5.5s:8.0s]` 时间戳进行逐句时序控制。`seed-audio-1.0` 仅支持英语和中文，不支持时序控制。（默认值："seed-audio-1.0-multilingual"）	COMBO	否	`"seed-audio-1.0-multilingual"` `"seed-audio-1.0"`

参数约束

参考模式依赖关系：reference_mode 参数决定需要哪些其他输入：
"text only"：不需要其他输入。提示词中不得包含 @AudioN 标签。
"audio reference"：要求至少连接 reference_audio_1、reference_audio_2 或 reference_audio_3 中的一个。参考片段必须按顺序连接且不能有间隔。每个片段最长 30 秒。如果提示词中使用了 @AudioN 标签，则最高标签编号不得超过已连接参考片段的数量。
"image reference"：要求连接 reference_image。不使用 @AudioN 标签；提示词应仅包含要合成的文本。
"preset voice"：要求选择预设音色。整个提示词将使用所选音色朗读；@AudioN 标签不会用作参考，@Audio2 或更高标签会被拒绝。

音频参考顺序：在 "audio reference" 模式下，参考音频输入必须从 reference_audio_1 开始按顺序连接，不能有间隔。例如，可以连接 reference_audio_1 和 reference_audio_2，但不能在没有 reference_audio_2 的情况下连接 reference_audio_1 和 reference_audio_3。

最大音频标签数：在 "audio reference" 模式下，最多可连接 3 个参考片段（@Audio1、@Audio2、@Audio3），提示词中最高的 @AudioN 标签不能超过已连接参考音频输入的数量。

模型差异：seed-audio-1.0-multilingual 模型支持 20 种语言（英语、中文、日语、韩语、墨西哥西班牙语和卡斯蒂利亚西班牙语、印度尼西亚语、德语、巴西葡萄牙语、法语、泰语、越南语、马来语、菲律宾语、意大利语、俄语、荷兰语、波兰语、土耳其语、瑞典语），并支持使用 [5.5s:8.0s] 格式的时间戳进行逐句时序控制。seed-audio-1.0 模型仅支持英语和中文，不支持时序控制。

输出

输出名称	描述	数据类型
`AUDIO`	来自 ByteDance Seed Audio 1.0 的生成音频输出，包含提示词中描述的语音、音乐、音效或多说话人对话。	AUDIO

本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！在 GitHub 上编辑

Source fingerprint (SHA-256): e86e4edde424b4427d864350a9d3b082e271fbd2b1e335175637a9cc3ad51163