Seed Audio 1.0 已上线 EvoLink：AI 音频生成开发者指南
doubao-seed-audio-1-0。快速结论
| 问题 | EvoLink 用户的答案 |
|---|---|
| Seed Audio 1.0 在 EvoLink 上线了吗？ | 已上线，可通过 EvoLink 统一 API 网关接入。 |
| 模型 ID | doubao-seed-audio-1-0 |
| 主要任务 | 基于 Prompt 的 AI 音频生成，不只是单音色 TTS |
| 最适合的早期用户 | 创作者工具开发者、语音 Agent 团队、有声剧工具、短视频音频工作流团队 |
| 计费形态 | 按输出音频时长规划；规模化前以 EvoLink 控制台最新单价为准 |
| 产品页 | EvoLink 上的 Seed Audio 1.0 |
这篇指南解决什么问题
这篇文章是 Seed Audio 1.0 的首发支柱页，面向正在判断它是否值得投入工程资源的团队。它不是 API Reference，也不是供应商背景介绍。
你可以用它回答四个实际问题：
| 决策 | 这篇指南帮助你判断什么 |
|---|---|
| 接入 | 如何找到 EvoLink 路由、模型 ID 和 API 入口 |
| 产品适配 | Seed Audio 1.0 是否适合你的创作者工具、语音 Agent 或内容工作流 |
| 成本规划 | 如何在批量生成前按输出时长估算成本 |
| 生产上线 | 当用户开始生成音频后，如何排队、监控、重试和限制用量 |
Seed Audio 1.0 改变了什么
传统 TTS 通常只是生产链路里的一个窄步骤：
- 写脚本
- 合成语音
- 加音乐
- 加音效
- 多轨混音
- 修复不一致的表达
Seed Audio 1.0 值得关注，是因为 Prompt 可以描述更多目标场景。开发者或创作者工具用户可以在一条指令里描述角色、音色风格、对白、情绪、停顿和场景氛围，并在需要保持声音一致时使用参考音频。
这会把产品问题从：
我如何增加语音输出？
变成：
我如何让用户从一个产品界面生成音频场景或可复用的声音工作流？
产品规划中可以使用的确认事实
下面这张表适合作为实施规划起点。除非你的 EvoLink 控制台和官方文档已经为账号确认，否则不要对外写死限流、地域覆盖或长音频承诺。
| 字段 | 当前规划事实 |
|---|---|
| 模型名 | Seed Audio 1.0 / Doubao-Seed-Audio 1.0 |
| EvoLink 模型 ID | doubao-seed-audio-1-0 |
| 文本输入 | 最长 1.5k 字符 |
| 参考音频 | 最多 3 条，每条最长 30 秒 |
| 输出时长 | 单次任务最长 120 秒 |
| 输出格式 | wav、mp3、pcm、ogg_opus |
| 采样率 | 48K、24K、16K、8K |
| 语种 | 中文、英文 |
| SSML | 不支持 |
| 控制项 | 语速、音调、音量 |
如何通过 EvoLink 接入 Seed Audio 1.0
对产品团队来说，接入应该是一条短路径，而不是一个研究项目。
| 步骤 | 要做什么 | 为什么重要 |
|---|---|---|
| 1. 打开模型目录 | 从 EvoLink 上的 Seed Audio 1.0 开始 | 确认 EvoLink 路由、当前页面信息和模型定位 |
| 2. 创建或复用 API Key | 使用 EvoLink 控制台里的 Key | 把新音频路由放在同一个账号、计费和用量体系下 |
| 3. 设置模型 ID | 将请求路由到 doubao-seed-audio-1-0 | 避免展示名称和真实请求模型之间产生歧义 |
| 4. 从窄 Prompt 开始 | 先测试一个可重复的工作流 | 避免泛 Playground 式测试掩盖产品适配问题 |
| 5. 增加用量追踪 | 记录输出时长、重试、失败和重复生成 | 帮助判断是否扩大开放，还是继续保持实验状态 |
不要第一天就把它做成完整的自定义音频工作台。一个小而可重复的工作流，比一个开放式生成器更能说明真实需求。
API 规划要点，但不要把文章写成文档
技术细节的事实源应该是 EvoLink API 文档和模型目录。但在实现前，产品规格仍然要回答这些运维问题：
| 规划问题 | 推荐答案 |
|---|---|
| 功能调用哪个模型 ID？ | doubao-seed-audio-1-0 |
| 是否允许用户提供参考音频？ | 把它做成明确的产品设置，因为它会影响 UX、权限和存储预期 |
| UI 中展示的最大 Prompt 长度是多少？ | 与 1.5k 字符的规划限制保持一致 |
| 产品默认允许多长输出？ | 先低于 120 秒上限，再为可信用户或付费计划提高限制 |
| 应该开放哪些格式？ | 先提供一个默认播放/下载格式，只有用户确实需要时再开放高级格式 |
| App 如何处理异步任务？ | 使用任务状态、队列、重试规则和用户可理解的失败提示 |
要避免的实现错误，是把音频生成当成简单同步文本响应。用户体验应该预期生成时间、进度状态、重试和可下载输出。
做 UI 之前先验证什么
UI 应该跟着已经验证过的工作流走，而不是反过来。在设计完整编辑器之前，先测试能证明需求的最小界面。
| 验证领域 | 要回答的问题 | 实际测试 |
|---|---|---|
| 输入设计 | 用户更喜欢自由 Prompt，还是结构化字段？ | 对比一个 textarea 和一个引导式模板 |
| 参考音频 | 用户是否理解什么时候应该上传参考音频？ | 只在一个工作流里加入参考音频，而不是所有工作流都加 |
| 时长控制 | 用户需要最大时长，还是目标时长？ | 先提供 15s、30s、60s、120s 预设，再开放自定义 |
| 输出审核 | 用户更想先播放、下载，还是重新生成？ | 追踪第一次生成后的下一步动作 |
| 变体工作流 | 用户会选择第一个结果，还是继续生成备选？ | 按任务和用户统计生成变体数量 |
最强的产品信号不是一次成功生成，而是用户带着明确目标反复生成。
谁应该最先尝试
在 EvoLink 语境下，Seed Audio 1.0 不是泛 C 端玩具。最适合的第一批用户，是能把一个模型路由转化成持续生成量的团队。
| 用户类型 | 为什么 Seed Audio 1.0 有价值 | 最先构建什么 |
|---|---|---|
| 创作者工具开发者 | 需要给用户一个能快速测试的新音频能力 | 配音、播客片段或短视频音频生成器 |
| 语音 Agent 开发者 | 需要更有表现力的声音输出和角色一致性 | 角色声音实验、情绪表达模板、备用声音路由 |
| 有声剧和有声书团队 | 需要多角色场景并减少后期制作 | 对白、旁白、氛围和转场的 Prompt 模板 |
| 短视频生产团队 | 需要更快生成旁白、音乐和音效 | 广告变体、产品讲解、账号矩阵内容的批量生成 |
| 平台团队 | 需要在竞品包装前先支持新模型 | 把 Seed Audio 1.0 加为现有模型目录中的可选路由 |
前 30 天的用例剧本
评估 Seed Audio 1.0 最快的方法，是选择一个产品任务，设计一个可重复模板，然后衡量用户是否会再次生成。模型能力很宽，但首发实验应该足够窄。
创作者工具和短视频工作流
创作者工具用户通常不想读模型参数。他们想更快做出可用素材。Seed Audio 1.0 的价值，是让工具把一个简单内容 brief 变成可编辑的音频资产。
| 产品模块 | 用户输入什么 | 功能应该输出什么 | 为什么可能带来消耗 |
|---|---|---|---|
| 产品讲解配音 | 产品名、语气、核心卖点 | 15-45 秒旁白音频，可带氛围 | 用户通常会生成多个变体再选择 |
| 短视频广告变体 | Hook、受众、产品、风格 | 多条可测试的配音版本 | 变体生成天然带来重复消耗 |
| 创作者片头/片尾 | 频道风格、主持语气、音乐方向 | 品牌化片头或片尾音频 | 模板可以跨很多视频复用 |
| 字幕转配音批量任务 | 字幕或脚本片段 | 每段对应的可下载音频片段 | 适合账号矩阵工作流 |
语音 Agent 和 AI Companion
语音 Agent 团队不应该一上来替换整个声音栈。先做角色测试。第一个问题是 Seed Audio 1.0 能否表达产品需要的角色、情绪范围和节奏。
| 测试 | 要评估什么 | 成功信号 |
|---|---|---|
| 问候语变体 | 温度、节奏、情绪控制 | 产品团队能选出一致方向 |
| 困难对话 | 冷静、共情、自然停顿 | 输出适合客服、教练或教育场景 |
| 角色人设 | 声音身份和场景适配 | 用户在不同 Prompt 中仍能识别同一角色 |
| 兜底对比 | Seed Audio 1.0 vs 现有声音路由 | 团队理解什么时候值得用更丰富的路由 |
有声剧、有声书和叙事内容
叙事音频正是普通 TTS 容易变薄的场景。任务不是把文字读出来，而是让角色、情绪、节奏和氛围保持一致。
| 工作流 | Seed Audio 1.0 的角色 | 要验证什么 |
|---|---|---|
| 双人对白场景 | 根据角色和情绪指令生成对白 | 角色区分和情绪表达 |
| 旁白加氛围 | 生成带背景氛围的旁白 | 人声清晰度和环境声的平衡 |
| 章节预览 | 在承诺长工作流前先生成短样本 | 风格是否值得扩大 |
| 风格模板 | 保存旁白、类型和语气的 Prompt 模式 | 是否能跨多个场景复用 |
内部营销和培训团队
有些高价值早期用量可能来自内部内容团队，而不是公开创作者 App。这类用户不关心模型新不新，更关心生产速度。
| 团队 | 第一个工作流 | 为什么重要 |
|---|---|---|
| 营销 | 广告和发布视频的配音变体 | 在 campaign 定稿前快速迭代 |
| Enablement | 培训旁白和角色扮演音频 | 内容更新可以重复生产 |
| 客户教育 | 产品 walkthrough 音频 | 降低录音成本 |
| 本地化测试 | 中文和英文音频草稿 | 在专业本地化前加速审核 |
值得测试的 Prompt 设计模式
不要只用一句话 Prompt 测试 Seed Audio 1.0。当 Prompt 能表达生产意图时，模型才更容易展现价值。
| 模式 | 示例结构 | 为什么有帮助 |
|---|---|---|
| 角色 + 任务 + 语气 | “旁白用冷静、自信的语气介绍一个新功能……” | 让输出绑定到产品任务 |
| 场景 + 情绪 + 节奏 | “深夜播客片头，安静背景，语速更慢……” | 测试的不只是语音质量 |
| 说话人标签 | “Host: ... Guest: ...” | 有助于评估多角色工作流 |
| 非语言表达 | “最后一句前加入短暂停顿……” | 测试模型是否能生成更自然的表达 |
| 参考音频指令 | “保持参考声音一致，但表达更放松……” | 把声音身份和表达风格区分开 |
Prompt 要尽量可复用。只成功一次的是 demo，能跨很多输入稳定工作，才可能成为产品功能。
为什么通过 EvoLink 使用 Seed Audio 1.0
如果目标只是玩一次模型，体验中心可能已经够了。如果目标是上线功能，EvoLink 的价值在于运维和产品化：
- 一个 API 网关接入模型
- 一个地方管理 Key 和用量
- 后续更容易比较其他音频模型
- 生成量上来后更容易监控成本
- 每次新模型出现时减少供应商专属集成工作
这很重要，因为新模型会持续带来变化。工具团队如果把某个供应商接口写死，每出现一个更好的音频模型就要重复集成。通过 EvoLink，产品决策可以更清晰地表达为路由和模型 ID。
路由决策：Seed Audio 1.0 vs 其他音频路径
评估 Seed Audio 1.0 时，不应该只看“音频”这个词，而要看它完成的具体任务。
| 音频任务 | 推荐起点 | 原因 |
|---|---|---|
| 普通产品旁白 | 现有 TTS 路由或 OpenAI TTS 类路由 | 简单语音通常不需要场景级生成 |
| 带情绪的角色声音 | Seed Audio 1.0 实验 | Prompt 指令和参考音频可以测试更丰富的表达 |
| 带对白和氛围的音频场景 | Seed Audio 1.0 | Prompt 可以同时描述说话人角色、场景情绪和环境氛围 |
| 纯音乐生成 | 音乐专项模型 | 当不需要人声和场景设计时，专门的音乐模型可能更合适 |
| 声音身份或声音库产品 | 将 Seed Audio 1.0 与语音专项供应商对比 | 声音身份、克隆和声音库工作流可能需要专项路由 |
建议的第一个实验
从能产生重复使用的窄功能开始，不要一上来做“生成任意音频”的大入口。
| 实验 | 为什么有用 | 成功信号 |
|---|---|---|
| 短视频配音生成器 | 输入简单，用户价值明确，容易和 TTS 对比 | 用户生成多个变体 |
| 播客片头生成器 | 模板清晰，适合声音、音乐和氛围组合 | 用户复用保存的模板 |
| 语音 Agent 角色测试 | 测试情绪控制和声音一致性 | 开发者主动和现有声音路由对比 |
| 有声剧场景模板 | 展示多角色对白和声音设计 | 内容团队提出批量生成需求 |
第一目标不是证明所有场景都成立，而是让用户从看热闹进入重复生成。
批量生成前的成本规划
Seed Audio 1.0 的成本规划应该从输出时长开始。不要从一篇博客里直接复制价格给客户报价。规模化前请以 EvoLink 控制台为准。
这里真正值得强调的不是单纯“便宜”，而是它的成本结构让反复生成变得现实。创作者工具、短视频工作流和有声内容生产通常不会一次生成就结束，用户会试不同语气、不同版本、不同片段，直到选中可用结果。当单次生成的成本足够低，AI 音频就不再只是一次性体验，而可以进入高频生产工作流。
基础规划公式是：
预估成本 = 生成秒数 x 当前单价上线批量功能前，先做场景规划：
| 场景 | 规划单位 | 需要观察什么 |
|---|---|---|
| 一条短配音 | 15-30 秒生成音频 | 用户是否会反复生成多个变体 |
| 一条最长任务 | 最长 120 秒生成音频 | 结果是否真的需要完整时长 |
| 100 条短视频变体 | 100 x 平均生成秒数 | 用户级预算、重试率和重复生成 |
| 创作者工具免费试用 | 每个试用用户的生成秒数 | 防滥用控制和每日生成上限 |
| 团队内容工作流 | 每个项目或 workspace 的生成秒数 | 项目级用量报表和成本可见性 |
实际隐藏成本通常不是表面单价，而是重试、首次输出质量不稳定、被放弃的生成，以及用户在选中结果前生成很多变体。
上线后应该观察的指标
如果 Seed Audio 1.0 是一次增长动作，看板就不应该只看页面访问。真正目标是可以沉淀为重复使用的生成消耗。
| 漏斗阶段 | 指标 | 它说明什么 |
|---|---|---|
| 发现 | Blog view、模型目录访问、来源 query | 首发主题是否吸引到正确受众 |
| 激活 | CTA 点击、API Key 创建、model ID 复制 | 内容是否把用户推向接入 |
| 首次生成 | 第一次成功 Seed Audio 1.0 任务 | 好奇心是否变成真实调用 |
| 重复生成 | 7 天内第二次任务 | 模型是否不只是 demo |
| 生产意图 | 同一项目或 API Key 下多次任务 | 功能是否进入工作流 |
| 成本健康 | 每用户生成秒数和重试率 | 用量是否可扩展，还是在浪费 |
| 质量反馈 | 失败任务、被放弃输出、支持工单 | 产品和文档应该补哪里 |
如果页面有流量但没有模型调用，问题可能在激活路径。如果用户调用一次但不复用，问题通常在工作流适配、输出质量或成本可预测性。
生产上线检查清单
面向用户开放前，要先定义当生成变慢、变贵或不完美时，功能应该如何表现。
| 领域 | 最小生产决策 |
|---|---|
| 队列 | 把生成任务放入队列，而不是阻塞 UI |
| 用户反馈 | 展示已提交、处理中、成功、失败等状态 |
| 重试策略 | 对传输或临时错误重试，但不要盲目重试低质量输出 |
| 成本护栏 | 设置项目、API Key 或用户级生成预算 |
| 防滥用 | 限制参考音频上传、任务频率和重复长音频生成 |
| 可观测性 | 记录输出秒数、失败原因、重试次数和重复使用 |
| 兜底 | 为普通旁白保留更简单的 TTS 路由 |
这也是 EvoLink 更大价值开始显现的地方。模型让用户进来，用量可见性和模型选择让功能更容易运营。
什么时候不应该用 Seed Audio 1.0
好的首发支柱页也应该说明边界。Seed Audio 1.0 并不自动适合所有音频任务。
| 如果你的需求是… | 更合适的起点 |
|---|---|
| 只需要很短的 UI 提示音或旁白 | 使用更简单的 TTS 路由 |
| 需要纯音乐生成 | 对比音乐专项模型 |
| 需要精确 SSML 行为 | 选择明确支持 SSML 的路由 |
| 需要未确认支持的语言 | 在产品上线前先验证语言支持 |
| 现在就要公开给客户报价 | 先确认 EvoLink 当前价格和实际用量行为 |
| 需要超出单任务限制的确定性长音频工作流 | 先完成质量和一致性测试，再设计延展流程 |
面向用户开放前的预发布检查清单
- 在 EvoLink 控制台确认最新 Seed Audio 1.0 单价。
- 决定用户是否可以上传参考音频。
- 明确展示 Prompt 长度、参考音频数量、参考音频时长和输出时长限制。
- 为每个任务保存生成设置，方便复现输出。
- 为异步生成增加队列和重试行为。
- 把任务失败和输出质量差分开记录。
- 用量上来后，按用户、项目和 API Key 监控成本。
它在 EvoLink 模型栈里的位置
Seed Audio 1.0 不应该默认替代所有音频路由。它更适合成为复杂音频生成工作流的路由。
| 任务 | 优先路由决策 |
|---|---|
| 简单 UI 旁白 | 将 Seed Audio 1.0 与现有 TTS 路由对比 |
| 有表现力的角色声音 | 尽早测试 Seed Audio 1.0 |
| 纯音乐生成 | 保留音乐专项模型作为对比 |
| 多角色音频场景 | 把 Seed Audio 1.0 作为主要实验 |
| 高量级批量配音 | 在开放前测试质量和成本 |
Seed Audio 发布内容集群的内链分配
这篇文章是首发支柱页，但不应该承接所有关键词。
| 用户意图 | 最合适的下一页 |
|---|---|
| 接入、模型 ID、限制和价格入口 | Seed Audio 1.0 模型目录 |
| 横向产品选择 | EvoLink 模型目录 |
| 浏览所有可用模型 | EvoLink 模型目录 |
| 比较更大的模型家族 | EvoLink 模型集合 |
后续成本文和场景文发布后，也应该回链到这篇文章和模型目录。目标是形成一组能把用户从发现新模型带到首次调用，再带到持续消耗的内容集群。
常见问题
Seed Audio 1.0 在 EvoLink 上线了吗？
应该使用哪个模型 ID？
doubao-seed-audio-1-0。开发者应该从哪里开始？
doubao-seed-audio-1-0。Seed Audio 1.0 只是 TTS 吗？
不是。它可以合成语音，但更适合被理解为基于 Prompt 的 AI 音频生成。它可以支持对白、情绪、非语言表达、参考音频和场景级声音设计。
它支持 SSML 吗？
不支持。请使用 Prompt 指令，以及语速、音调、音量等请求控制项。
主要输入限制是什么？
文本输入最长 1.5k 字符。参考音频最多 3 条，每条最长 30 秒。
Seed Audio 1.0 支持参考音频吗？
支持。EvoLink 上使用的规划限制是最多 3 条参考音频，每条最长 30 秒。参考音频不只是一个参数，也涉及产品权限、上传体验和存储预期。
最大输出时长是多少？
单个任务最长生成 120 秒音频。
应该优先规划哪些语言？
先按中文和英文规划。任何额外语言需求，都应该在产品 UI 暴露前先验证。
成本应该如何规划？
按生成音频的输出时长规划。向用户报价或跑批量任务前，请先在 EvoLink 控制台确认最新单价。
上线后应该追踪什么？
建议追踪生成秒数、任务数、重试次数、失败原因、每个用户平均生成变体数量、模型 ID 使用量，以及 7 日内重复生成。
所有音频产品都应该立刻切换吗？
不应该。先做范围明确的实验：创作者工具、语音 Agent 角色测试、有声剧场景或短视频音频工作流。在质量、成本和失败行为清晰前，保留现有路由。
普通旁白应该用什么替代？
如果只是简单 App 旁白或 UI 消息，保留更简单的 TTS 路由作为对照。Seed Audio 1.0 最有价值的地方，是用户需要比普通语音更丰富的音频生成。
审查的来源
- EvoLink Seed Audio 1.0 模型目录
- 火山引擎方舟 Seed Audio 1.0 模型详情
- 本项目提供的 Seed Audio 1.0 内部发布材料
