Prompt-Leitfaden für Seed Audio 1.0

Seed Audio 1.0 lässt sich als Hörszene anweisen: Regen in einem Zimmer, eine Folge von Schritten und Türen oder Musik mit einem gezielten Effekt. Figurendialog ist eine Anwendung neben Atmosphäre, Foley und musikalischen Momenten.

Schreibe die Geräusche in ihrer hörbaren Reihenfolge. Nenne Art, Position und Stärke des Klangs und dann die nächste Veränderung. Nutze T2A zum Erkunden und TA2A, wenn Referenzaudio die Szene anleiten soll.

Drei Hörbeispiele für unterschiedliche Szenen

Diese drei Clips wurden für diesen Leitfaden mit Seed Audio 1.0 und den untenstehenden englischen Prompts neu erzeugt. Keiner fordert Sprache an. Die Beispiele für Atmosphäre, Foley sowie Musik mit Effekten sind unabhängig von den späteren Dialogvorlagen. Angefragt waren jeweils 20 Sekunden; die Player zeigen die tatsächliche Länge.

Für eine Filmszene kannst du zuerst die Bildidee im KI-Kurzdrama-Generator entwickeln und die Tonanweisungen an Handlung und Tempo ausrichten.

01 Regen am Fenster: Atmosphäre

Achte auf den durchgehenden Regen, die Entfernung des Donners und die Rückkehr zum Regen allein. Beschreibe Vorder- und Hintergrund statt unverbundener Geräusche.

Create a 20-second natural soundscape heard from inside a quiet room at night. Gentle rain taps the window throughout. Around the middle, one distant rumble of thunder swells and fades. End with rain alone. Keep the space intimate and the thunder soft. No speech, no singing, no music.

02 Jemand kommt nach Hause: Foley in Reihenfolge

Prüfe, ob Schlüssel, Schloss, Tür, Schritte und Glas unterscheidbar sind und der Reihenfolge folgen. Die Ausgabe dauert rund 16 statt der angefragten 20 Sekunden; prüfe vor dem Schnitt die tatsächliche Länge.

Create a 20-second realistic Foley sequence in a quiet hallway. First, keys jingle close by. A key turns in a lock, then a wooden door opens with a soft creak. Three unhurried footsteps cross the room. A glass is set gently on a table. The door closes softly, leaving quiet room tone. Make each action distinct and keep this order. No speech, no singing, no music.

03 Eine kleine magische Entdeckung: Musik und Effekte

Achte auf das Verhältnis zwischen leisen Instrumenten, Glocke und magischem Akzent. Musikbett und Effekt brauchen jeweils eine klare Funktion.

Create a 20-second whimsical fantasy sound scene. Begin with light pizzicato strings and a gentle wooden flute. A tiny shop bell rings once; a short sparkling magical whoosh follows. The music briefly lifts as if a small wonder has appeared, then settles into a warm, quiet ending. Keep the bell and magic sound clear above the soft music. No speech, no singing.

Zuerst T2A oder TA2A wählen

T2A, Text oder Bild zu Audio, eignet sich für neue Stimmen, Erzähltexte, kurze Spielszenen, virtuelle Moderation und Hörbuchpassagen. Ein Referenzbild kann visuelle Hinweise zur Figur geben. Pro Anfrage ist nur ein Bild möglich; es lässt sich nicht mit Referenzaudio kombinieren.

TA2A, Text und Referenzaudio zu Audio, hilft dabei, eine wiedererkennbare Stimme beizubehalten. Lade 1 bis 3 Audioreferenzen hoch oder verwende eine Bibliotheksstimme beziehungsweise eine geklonte Stimme. Weise sie im Prompt ausdrücklich über @audio1, @audio2 oder @voice1 zu.

• Nutze T2A, um verschiedene Darstellungsrichtungen auszuprobieren.
• Nutze TA2A für wiederkehrende Figuren mit einer festgelegten Stimme.
• Ordne bei mehreren Sprechenden jede Figur im Prompt ihrer richtigen Referenz zu.

Grundstruktur: eine zeitliche Tonfolge schreiben

Die Struktur sollte mehr enthalten als „Emotion + Satz“. Beschreibe nacheinander, wie die Musik beginnt, wer einsetzt, wie Figur A spricht, welches Geräusch dazwischenkommt und wie Figur B antwortet.

Betrachte den Prompt als Hör-Storyboard. Jeder Abschnitt beschreibt, wer spricht, wie gesprochen wird und was sonst zu hören ist.

Music or ambience starts: style, instruments, rhythm, or space.
Speaker A (age, gender, voice texture, accent, emotion, role) says: "line."
SFX: what happens, how intense it is, how many times, or how long it lasts.
Speaker B responds with their own voice and delivery.
Ending: how music, footsteps, a door, phone distortion, or ambience resolves.

Dialoge für Figuren schreiben

Stelle die Figurenanweisung vor die erste Zeile oder in eine kurze Figurenliste. Verwende bei mehreren Sprechenden Namen, Rollen oder Nummern. „Männliche Stimme“ und „weibliche Stimme“ reichen für eine eindeutige Zuordnung nicht aus.

Zur Beschreibung gehören etwa Alter, Geschlecht, Stimmtextur, Akzent, Emotion, Rolle, Entfernung und Sprechgewohnheiten. Hörbares Verhalten ist hilfreicher als eine abstrakte Stimmung.

• Brauchbar: tief, rau, hauchig, Telefonfilter, taiwanischer Akzent, langsames Tempo oder zitternde Satzenden.
• Allein zu vage: hochwertig, gebrochen, filmisch oder schicksalhaft. Übersetze solche Begriffe in hörbare Vorgaben.
• Häufe nicht zu viele Emotionen an. Übertriebene Regie kann unnatürlich wirken.

Geräusche und Musik gehören in den Prompt

Seed Audio 1.0 kann Dialog, Geräusche, Atmosphäre und Musik innerhalb einer Generierung berücksichtigen. Du kannst Geräusche in Alltagssprache beschreiben.

Nenne bei Geräuschen Reihenfolge, Stärke, Anzahl und Dauer. Beschreibe bei Musik Stil, führendes Instrument, Rhythmus und Stimmung. Wenn dir der Instrumentenname fehlt, erkläre die gewünschte Wirkung mit einfachen Worten.

First, a phone vibrates. Birds continue in the background.
Music enters with marimba and strings, tense and suspenseful.
Then a faint car passes, a soft brake sound follows, and two high-heel footsteps land in the distance.

Referenzen für TA2A formulieren

Das Hochladen einer Datei erklärt noch nicht, wozu sie dient. Nenne die Referenz und beschreibe, ob sie Klangfarbe, Emotion, Tempo oder die Identität einer Figur vorgibt.

Bei mehreren Referenzen kannst du jeder Figur eine eigene zuweisen oder eine Referenz für die Stimme und eine andere für Emotion und Rhythmus nutzen.

Male lead (young adult male, low and restrained, refer to @audio1) lowers his voice: "When did you find out?"
Female lead (young woman, gentle but guarded, refer to @audio2) waits half a beat and replies: "The first time you lied."
Keep the music low and suspenseful. Add a faint phone-current noise at the end of the line.

T2A-Vorlage zum Kopieren

Erstelle zunächst eine Fassung. Ändere nach dem Anhören jeweils nur eine Variable: Stimme, Emotion, Tempo oder Geräusche.

Music: a restrained low-frequency suspense bed enters first. Slow tempo, soft string texture.
Characters:
Lin Chen (young adult male, low raspy voice, slow pace, emotion held back, afraid but unwilling to admit it)
Xu Yao (young woman, clear but tired voice, slight trembling at line endings, trying to stay calm)

SFX: a phone vibrates once, then light rain continues.
Lin Chen lowers his voice and says: "Did you hear that? Someone is upstairs."
Xu Yao pauses for half a beat, inhales, and answers very softly: "Don't turn around. Keep walking."
SFX: a wooden door opens slowly in the distance. The low note in the music becomes heavier.

TA2A-Vorlage zum Kopieren

Wenn bereits Stimmreferenzen vorhanden sind, ordne sie im Prompt direkt den Figuren zu.

Reference mapping: @audio1 is the male lead. @audio2 is the female lead.
Music: soft piano and room ambience, warm but regretful.
Male lead (adult male, low, breathy, refer to @audio1) says with restraint and reluctance: "If I don't come back tomorrow, stop waiting."
Female lead (young woman, gentle, tearful, refer to @audio2) cuts him off softly: "Whether I wait is not your decision."
SFX: light rain outside the window. Leave two seconds of silence after the last line.

Die Prompt-Beispiele bleiben auf Englisch, damit sie mit der Ausgangsfassung vergleichbar sind. Passe Dialog und Anweisungen an eine vom verwendeten Dienst unterstützte Sprache an. Ein übersetzter Leitfaden bedeutet nicht, dass jeder Dienst alle Sprachen erzeugen kann.

Grenzen bestimmen die Prompt-Länge mit

Eine einzelne Generierung kann ungefähr bis zu 2 Minuten lang sein. Die Eingabe darf bis zu 3000 Zeichen enthalten. Für eine gute Wiedergabe sollte der tatsächlich gesprochene Text jedoch möglichst unter etwa 400 chinesischen Zeichen oder einer ähnlich kurzen Passage bleiben. Zu langer Dialog kann zu schnellerem Sprechen oder einem Abbruch führen.

Es sind bis zu 3 Audioreferenzen mit jeweils höchstens 30 Sekunden möglich. Pro Anfrage ist ein Referenzbild erlaubt, das nicht zusammen mit Referenzaudio verwendet werden kann.

• Spielszenen: in Abschnitte von 30 bis 90 Sekunden aufteilen.
• Hörbücher: nach emotionalen Wendungen teilen, statt ein ganzes Kapitel einzureichen.
• Mehrere Figuren: zuerst ihre Stimmen prüfen, anschließend Geräusche und Musik ergänzen.

In einen Arcloop-Workflow einbauen

Probiere die Stimme im KI-Charakterstimmen-Generator aus und prüfe den gewählten Take anschließend in der Szene. Verwende die Referenzbezeichnungen genau so, wie sie dein Audiodienst anzeigt.

• Halte Alter, Stimmtextur, Akzent, Sprechweise und emotionale Grenzen im Figurenprofil fest.
• Teile das Skript in passende Generierungsabschnitte; jeder behandelt eine wesentliche emotionale Wendung.
• Wähle T2A für die Erkundung und TA2A für festgelegte Figuren.
• Speichere bewährte Prompts bei den Figurenmaterialien und dokumentiere auch fehlgeschlagene Versuche samt Gründen.
• Prüfe das Audio im Storyboard oder Videoschnitt, nicht nur für sich allein.

Häufige Fragen

Worin unterscheidet sich das Modell von gewöhnlichem TTS?

Gewöhnliches TTS konzentriert sich auf das Vorlesen. Seed Audio 1.0 kann eine Hörszene mit Dialog, Atmosphäre, Geräuschen und Musik erzeugen.

Ist ein längerer Prompt immer besser?

Nein. Sei konkret, ohne unnötige Details anzuhäufen. Beginne mit Ablauf, Sprechenden, Dialog, Geräuschen und Musik. Ergänze Details nach dem Anhören.

Wie bleiben Stimmen bei mehreren Figuren zugeordnet?

Nutze TA2A, weise jeder Figur @audioN zu und kennzeichne bei ihren Beiträgen die sprechende Figur und ihre Referenz.

Können Handlungen in Klammern vorgelesen werden?

Ja. Formuliere wichtige Handlungen als Darstellungsanweisung oder trenne die Regie klar vom gesprochenen Text. Höre das Ergebnis vor der Verwendung vollständig an.