Lav et studiekort. Instruktioner i flere trin er referencer; dette kører ikke eller oplader ikke for generation.
用Seed-Audio1.0先制作并锁定声音轴,再以音频时间戳驱动故事板、关键帧和 Seedance 2.0 镜头生成。
Arbejdsgangens tekst bevares på originalsproget kinesisk. De nævnte modeller kan afvige fra dem, der er tilgængelige her. Se understøttede modeller og faktiske pointpriser i studiet.
声音先行的完整视频流程:
依赖关系: 2→1;3→2;4→3;5→3;6→2,4,5;7→6;8→3,7。
何时暂停: 不要一次完成全流程。依次在规范定稿、初版故事板确认、音频资产与角色音色确认、视觉 key_element 确认、音频时间戳更新后的故事板确认、关键帧确认、镜头视频确认和最终组装前暂停,取得用户确认后再继续。
已有资产处理: 在生成前检查用户上传和项目既有素材。将匹配的 resource_id 注册为 asset_id,并绑定到正确的 key_element、shot 或 audio_layer;不得重复生成用户已提供的视觉或音频素材。
初版故事板:先锁定结构,再制作音频
音频返回后的强制更新:以实际时间戳重写镜头细节
声音资产生成与绑定
视觉 key_element、keyframe 与最终镜头生成
根据本次生成是否使用音色或媒体参考,选择对应的提示词格式。
优先在不使用 voice_id 的情况下生成音频。不要要求用户选择或提供 voice ID;进行纯文生音频生成时,不要调用 search_voice_id。
仅当未提供 voice_id、参考音频或参考图像时使用此模式。
使用自然语言编写提示词:
所有朗读文本必须忠实于已确认的剧本或故事板。清楚区分表演指令与实际需要说出的文本。
当已有有效的 Seed Audio voice_id、参考音频或参考图像,或用户明确要求使用这些参考时,使用此模式。
不要仅为了启用此模式而要求用户提供 voice ID。除非用户或当前项目已经指定参考,否则优先使用无参考的文生音频模式。
在此模式下,生成提示词只能包含需要合成的准确旁白或对话文本。
不要加入说话人、性别、年龄、身份、情绪、语气、口音、语速、声线质感、表演、场景语境、音效、音乐、环境音或风格描述。所提供的参考将负责提供音色或角色语境。
不要混用两种提示词格式。只要存在任意 voice_id、参考音频或参考图像,就必须启用仅保留朗读文本的规则。
主播1是一名成年男性播客主播,嗓音低沉、略带沙哑,吐字清晰,语速略微偏快。他先以平缓、自然的叙事语调说道:“我是觉得亏欠这种事情,也不是说一次两次可以补偿得了的,对吧?就是说是一个……是一个终生的事情。所以就是说。”说完后稍作停顿,略微加重语气,以肯定的口吻继续说道:“这一次去迪士尼,我主要当时想的就是还是这两个原因,就去了。”随后,他稍微提高语调,带着轻微惊讶和讲故事的口吻说道:“我跟你讲,去了之后其实我是有点、有点惊讶的。大家可以看那个视频,当时那个 vlog 里面,我真的挺惊讶,因为我们去的那天是特地挑了上海今年入冬以来最冷的一天。那天最低气温是零下三度。”
全局规则: 用户以中文交互时,提示词的说明文字以中文撰写;其中 narration 与 dialogue 的语言严格遵循 Final_Video_Spec.md 的成片语言设定。视频提示词只使用故事板中已按音频时间戳确认的可见内容;不另行补写声音、时间线或创作要求。