Guía de prompts de Seed Audio 1.0

Seed Audio 1.0 permite plantear escenas sonoras: lluvia dentro de una habitación, una secuencia de pasos y puertas, o música con un efecto puntual. El diálogo es una posibilidad junto al ambiente, el foley y la música.

Describe los sonidos en el orden en que deben oírse, su posición y su intensidad, y después el siguiente cambio. Usa T2A para explorar una escena y TA2A cuando una referencia de audio deba orientarla.

Tres escenas sonoras para escuchar

Estos tres clips se generaron para esta guía con Seed Audio 1.0 y los prompts exactos en inglés que aparecen abajo. Ninguno solicita habla. Son ejemplos de ambiente, foley y música con efectos, distintos de las plantillas de diálogo posteriores. Se pidieron 20 segundos en cada caso; los reproductores muestran las duraciones reales.

Para planificar una escena, puedes definir primero la idea visual en el generador de cortos dramáticos con IA y escribir el sonido a partir de sus acciones y ritmo.

01 Lluvia en la ventana: ambiente

Escucha la lluvia continua, la distancia del trueno y el regreso a la lluvia sola. Describe primer plano y fondo, en lugar de enumerar sonidos sin relación.

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 Alguien vuelve a casa: foley en secuencia

Comprueba si las llaves, la cerradura, la puerta, los pasos y el vaso se distinguen y siguen el orden indicado. El resultado dura unos 16 segundos, pese a pedir 20; revisa la duración antes de editar.

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 Un pequeño descubrimiento mágico: música y efectos

Escucha el equilibrio entre los instrumentos suaves, la campanilla y el acento mágico. La base musical y los efectos necesitan funciones claras.

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.

Elige primero entre T2A y TA2A

T2A, de texto o imagen a audio, sirve para crear desde cero: doblaje de personajes, narración, escenas breves, presentadores virtuales y pasajes de audiolibros. Una imagen puede aportar pistas visuales del personaje. Cada solicitud admite una sola imagen y no permite combinarla con referencias de audio.

TA2A, de texto y audio de referencia a audio, ayuda a conservar la identidad de una voz. Puedes cargar de 1 a 3 audios de referencia o seleccionar una voz de biblioteca o clonada, y asignarla explícitamente mediante @audio1, @audio2 o @voice1.

• Usa T2A para explorar distintas interpretaciones.
• Usa TA2A cuando un personaje recurrente deba conservar una voz reconocible.
• En escenas con varias voces, vincula cada personaje con su referencia dentro del prompt.

Estructura principal: escribe una secuencia sonora

No te limites a «emoción + diálogo». Describe el orden: cómo empieza la música, quién entra, cómo habla el primer personaje, qué efecto lo interrumpe y cómo responde el segundo.

Piensa en un guion sonoro: cada momento indica quién habla, cómo lo hace y qué más se oye.

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.

Cómo escribir el diálogo de los personajes

Coloca las indicaciones del personaje antes de su primera frase o en una lista breve. Si hay varios hablantes, utiliza nombres, funciones o números. «Voz masculina» y «voz femenina» no bastan para mantener clara la asignación.

Puedes indicar edad, género, textura vocal, acento, emoción, función, distancia y hábitos al hablar. Las conductas audibles son más útiles que las etiquetas abstractas.

• Útil: voz grave, áspera o aireada; sonido de teléfono; acento taiwanés; ritmo lento; finales temblorosos.
• Insuficiente por sí solo: exclusivo, roto, cinematográfico o predestinado. Conviértelo en instrucciones que puedan oírse.
• Evita acumular emociones: una dirección exagerada puede restar naturalidad.

Los efectos y la música forman parte del prompt

Seed Audio 1.0 permite describir diálogo, efectos, ambiente y música en una misma generación. Puedes explicar los sonidos con palabras corrientes.

Para los efectos, especifica orden, intensidad, cantidad y duración. Para la música, indica estilo, instrumento principal, ritmo y tono emocional. Si no sabes el nombre del instrumento, describe la sensación de forma sencilla.

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.

Cómo indicar referencias en TA2A

Subir un archivo no explica automáticamente cómo usarlo. Nombra la referencia y aclara si aporta timbre, emoción, ritmo o identidad del personaje.

Con varias referencias, puedes asignar una a cada personaje o utilizar una para el timbre y otra para la emoción y el ritmo.

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.

Plantilla T2A para copiar

Prueba primero esta plantilla. Después cambia una sola variable: voz, emoción, ritmo o efectos.

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.

Plantilla TA2A para copiar

Si ya tienes referencias de los personajes, vincúlalas directamente en el prompt.

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.

Los ejemplos de prompt se mantienen en inglés para facilitar la comparación con el texto de origen. Adapta el diálogo y las instrucciones al idioma admitido por el servicio que utilices; traducir esta guía no garantiza la compatibilidad de generación en todos los idiomas.

Los límites influyen en la longitud del prompt

Una generación puede durar aproximadamente hasta 2 minutos. La entrada admite hasta 3000 caracteres, pero conviene mantener el texto hablado por debajo de unos 400 caracteres chinos o de un pasaje breve equivalente. Un diálogo demasiado largo puede acelerar el habla o quedar cortado.

Se admiten hasta 3 referencias de audio, de un máximo de 30 segundos cada una. También puede utilizarse una sola imagen, sin combinarla con referencias de audio.

• Escenas dramáticas: divide el diálogo en bloques de 30 a 90 segundos.
• Audiolibros: divide por cambios emocionales, en lugar de enviar un capítulo entero.
• Varias voces: comprueba primero la identidad vocal de cada personaje y añade después efectos y música.

Cómo incorporarlo al flujo de trabajo de Arcloop

Prueba la voz del personaje con el generador de voces de personajes con IA y comprueba la toma elegida dentro de la escena. Utiliza las etiquetas de referencia exactas que muestre tu servicio de audio.

• Anota en la ficha del personaje su edad, textura vocal, acento, forma de hablar y límites de expresión emocional.
• Divide el guion en fragmentos adecuados para una generación; cada uno debe desarrollar un cambio emocional principal.
• Elige T2A para explorar y TA2A para trabajar con personajes ya definidos.
• Guarda el prompt que funciona junto a los recursos del personaje y conserva los fallos con notas sobre su causa.
• Comprueba el audio dentro del storyboard o del montaje de vídeo, además de escucharlo por separado.

Preguntas frecuentes

¿En qué se diferencia de un sistema habitual de texto a voz?

Un sistema TTS habitual se centra en leer el texto. Seed Audio 1.0 puede generar una escena con diálogo, ambiente, efectos y música.

¿Un prompt más largo siempre funciona mejor?

No. Busca precisión sin acumular detalles. Empieza por la secuencia, los hablantes, las frases, los efectos y la música; añade información después de escuchar el resultado.

¿Cómo mantengo las voces en una conversación con varios personajes?

Utiliza TA2A, asigna cada personaje a @audioN e indica quién habla y qué referencia le corresponde en sus intervenciones.

¿Puede leer en voz alta las acciones entre paréntesis?

Sí, puede ocurrir. Convierte las acciones relevantes en indicaciones de interpretación o separa claramente las instrucciones del diálogo. Escucha siempre el resultado antes de utilizarlo.