ByteDance Seed представила Seed Audio 1.0 — аудиомодель, которая по одному промпту генерирует целую звуковую сцену: речь, атмосферу и звуковые эффекты одновременно. Доступ к модели открыт через платформу BytePlusi.

Модель ориентирована на озвучку, подкасты и дубляж: она позволяет жёстко задавать тайминг репликi с точностью до 100 мс и создавать голоса как по текстовому описанию, так и по аудио- или визуальному референсу.

• За один проход можно сгенерировать до двух минут аудио, лимит промпта — 3000 знаков
• Клонирование голосаi: к промпту подключаются до трёх аудиоклипов через теги @Audio1, @Audio2, @Audio3; вместо аудио можно дать картинку с описанием персонажа
• Поддерживается более 20 языков с переносом тембра голоса между ними
• По данным Нейронавт, русский язык модель почти не тянет — промпт нужно писать на английском
• Цена использования — примерно $0.15–0.19 за минуту аудио
• В планах ByteDance — добавить видеореференсы и многодорожечную генерацию