Guia de prompts do Seed Audio 1.0

O Seed Audio 1.0 permite descrever uma cena sonora: chuva ouvida de dentro de um quarto, passos e portas em sequência ou música com um efeito pontual. O diálogo é uma possibilidade ao lado da ambientação, do foley e da música.

Escreva os sons na ordem em que devem ser ouvidos, indicando posição, intensidade e a próxima mudança. Use T2A para explorar uma cena e TA2A quando um áudio de referência precisar orientá-la.

Três cenas sonoras para ouvir

Estes três clipes foram gerados para este guia com Seed Audio 1.0 e os prompts exatos em inglês abaixo. Nenhum solicita fala. São exemplos de ambientação, foley e música com efeitos, separados dos modelos de diálogo posteriores. Cada pedido indicava 20 segundos; os players mostram a duração real.

Para planejar uma cena, organize a ideia visual no gerador de curtas dramáticos com IA e escreva o som de acordo com as ações e o ritmo.

01 Chuva na janela: ambientação

Ouça a chuva contínua, a distância do trovão e a volta à chuva sozinha. Descreva primeiro plano e fundo, em vez de apenas listar sons.

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 Alguém chega em casa: foley em sequência

Confira se chaves, fechadura, porta, passos e copo são distintos e seguem a ordem pedida. O resultado tem cerca de 16 segundos, apesar do pedido de 20; confira a duração 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 Uma pequena descoberta mágica: música e efeitos

Ouça o equilíbrio entre os instrumentos suaves, o sino e o efeito mágico. A base musical e cada efeito precisam de uma função clara.

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.

Comece escolhendo T2A ou TA2A

T2A, de texto ou imagem para áudio, serve para criar do zero: vozes de personagens, narração, cenas curtas, apresentadores virtuais e trechos de audiolivros. Uma imagem pode fornecer pistas visuais sobre o personagem. Cada solicitação aceita uma imagem, sem combiná-la com referências de áudio.

TA2A, de texto mais áudio de referência para áudio, ajuda a manter a identidade da voz. Envie de 1 a 3 referências ou use uma voz da biblioteca ou clonada e indique explicitamente @audio1, @audio2 ou @voice1 no prompt.

• Use T2A para explorar interpretações.
• Use TA2A quando um personagem recorrente precisar conservar uma voz reconhecível.
• Em cenas com várias vozes, associe cada personagem à referência correta dentro do prompt.

Estrutura principal: escreva uma sequência sonora

A estrutura não deve se limitar a «emoção + fala». Descreva a ordem: como a música começa, quem entra, como o personagem A fala, qual efeito interrompe a cena e como o personagem B responde.

Pense em um roteiro de som. Cada momento informa quem fala, como fala e o que mais se ouve.

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.

Como escrever o diálogo dos personagens

Coloque a direção do personagem antes da primeira fala ou em uma lista curta. Em conversas com várias pessoas, use nomes, funções ou números. Apenas «voz masculina» e «voz feminina» não identificam os participantes com clareza.

A descrição pode incluir idade, gênero, textura vocal, sotaque, emoção, papel na cena, distância e hábitos de fala. Comportamentos audíveis ajudam mais do que adjetivos abstratos.

• Útil: grave, rouca, soprosa, filtrada por telefone, sotaque taiwanês, ritmo lento e finais de frase trêmulos.
• Vago quando usado sozinho: premium, quebrado, cinematográfico, predestinado. Transforme essas ideias em comportamentos sonoros.
• Evite acumular emoções. Direções exageradas podem deixar a interpretação menos natural.

Efeitos e música fazem parte do prompt

O Seed Audio 1.0 permite descrever falas, efeitos, ambiente e música em uma mesma geração. Não é necessário conhecer termos de bibliotecas de efeitos: uma descrição simples pode bastar.

Nos efeitos, indique ordem, intensidade, quantidade e duração. Na música, descreva estilo, instrumento principal, ritmo e clima. Se não souber o instrumento, explique a sensação de forma natural.

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.

Como escrever referências para TA2A

Enviar o áudio não explica automaticamente como usá-lo. Identifique a referência e diga se ela fornece timbre, emoção, ritmo ou a identidade de um personagem.

Você pode associar uma referência a cada personagem ou usar uma para a voz e outra para a emoção e o 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.

Modelo T2A para copiar

Faça uma primeira geração e, depois de ouvir, altere apenas uma variável por vez: voz, emoção, ritmo ou efeitos.

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.

Modelo TA2A para copiar

Se você já tem referências das vozes dos personagens, associe cada uma diretamente no 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.

Os exemplos de prompt permanecem em inglês para permitir a comparação com o texto de origem. Adapte as falas e as instruções ao idioma aceito pelo serviço utilizado; a tradução deste guia não garante geração em todos os idiomas.

Os limites influenciam o tamanho do prompt

Uma geração pode chegar a aproximadamente 2 minutos. A entrada aceita até 3000 caracteres, mas o texto falado deve ficar, de preferência, abaixo de cerca de 400 caracteres chineses ou de um trecho curto equivalente. Falas longas demais podem acelerar a locução ou ser cortadas.

São permitidas até 3 referências de áudio, com no máximo 30 segundos cada. A referência de imagem é limitada a uma por solicitação e não pode ser combinada com áudio de referência.

• Diálogos de drama: divida a cena em blocos de 30 a 90 segundos.
• Audiolivros: divida por mudanças emocionais, sem enviar um capítulo inteiro.
• Vários personagens: confira primeiro a identidade de cada voz e só então acrescente música e efeitos.

Como usar no fluxo de trabalho do Arcloop

Experimente a voz no gerador de vozes de personagens com IA e confira a tomada escolhida dentro da cena. Use as marcações de referência exatamente como aparecem no serviço de áudio.

• Registre na ficha do personagem idade, textura vocal, sotaque, jeito de falar e limites emocionais.
• Divida o roteiro em trechos adequados a cada geração, com uma mudança emocional principal por trecho.
• Escolha T2A para explorar e TA2A para personagens já definidos.
• Guarde o prompt aprovado junto aos recursos do personagem e registre os erros com suas possíveis causas.
• Confira o áudio dentro do storyboard ou da montagem de vídeo, além da escuta isolada.

Perguntas frequentes

Qual é a diferença para um TTS comum?

Um TTS comum se concentra em ler a fala. O Seed Audio 1.0 pode criar uma cena com diálogo, ambiente, efeitos e música.

Um prompt maior é sempre melhor?

Não. Seja específico sem exagerar. Comece com sequência, personagens, falas, efeitos e música; acrescente detalhes depois de ouvir.

Como manter as vozes em uma conversa com vários personagens?

Use TA2A, associe cada personagem a @audioN e identifique o falante e sua referência sempre que ele falar.

O modelo pode ler em voz alta as ações entre parênteses?

Pode. Transforme ações importantes em orientações de interpretação ou separe claramente as instruções das falas. Ouça o resultado antes de usá-lo.