ByteDanceの音声生成AI『Seed Audio 1.0』の使い方とプロンプトを解説

こんにちは！GENELです。

SeedanceでおなじみのByteDanceから、音声生成AI『Seed Audio 1.0』が登場！

早速使ってみましたが、日本語OK、自然な話し方で、感情表現もセリフに沿ってつけてくれます。

自然なナレーションボイスでいいですよね。
今回の記事では

などご紹介していきます。

また、
「この動画の作り方が知りたい！」
という声も多数いただいたので、せっかくなのでこの動画の作り方もご紹介します。

Seed Audio 1.0とは？

先日開催されたByteDanceのカンファレンスにて、動画生成AI界隈をざわつかせた「Seedance 2.5」の発表がありましたが、実はそこで発表されていたもう一つのモデルが『Seed Audio 1.0』です。

Seed Audio 1.0のすごい機能3つ

• セリフ、BGM、環境音、効果音（足音など）を、テキストプロンプトだけで同時生成。別々のツールで作って編集する手間がなくなります。

• 入力された物語の文脈から、AIが最適なキャラクターの声質や感情を自動で出力してくれます。

• 1分近い長尺でも、声のトーンやアクセントが終始安定。Vlogやショートドラマの制作で没入感をキープします。

Seed Audio 1.0で作った音声

ということで、falにて実際に作ってみた音声集です！

どうでしょうか？
たまにイントネーションが気になるところもありますが、それぞれ音楽やSEも入れられるのと、シーンに合った声がプロンプトで生成できるので結構いいですよね！

Seed Audio 1.0、どこで使える？

Seed Audio 1.0は現時点では「fal」限定で使用可能とのことです。

以前ご紹介した「Grok Imagine Video 1.5」もfalが先行リリースだったような気がしますね…👀

他には「火山方舟（VolcArk）」の体験センターにて、体験版が用意されています。
現時点では、30分の無料クレジットが付与されているようです。

が、残念ながらアカウント登録しないと生成できず、登録には中国本土の電話番号が必要みたいでした…残念！

気になる料金

実は今日、falから「Seed Audioを値上げするよ」というメールが届きました。

元々は1分$0.075だったのですが、今日（6/27）から$0.1875（約2.5倍）になるとのこと。
値上げ後の値段は日本円でだいたい30円くらいです。

ElevenLabsと比べると？

声単体で比べると、ElevenLabsはざっくり1分あたり$0.17〜0.20くらいだと思います。
日本円でだいたい約27.5円〜32.3円です。

イレラボと比べると、Seed Audio 1.0は声が若干機械音っぽくなる場合もあるので、クリアなナレーションボイスが欲しいならElevenLabs、どちらかといえばもっと感情表現豊かな声が欲しい！って方にはSeed Audio 1.0が向いていると思います。

ElevenLabsの使い方、コツなどをまとめているので、どうしてもこれじゃ無理！って方はSeed Audio 1.0を試してみるのもありだと思います！

まずはあの動画の作り方から

「あの動画どうやって作ったの？」が多かったので、先に全体像から。

ざっくり流れはこんな感じです↓

画像生成のやり方(ChatGPT Images 2.0)

まず最初に、こんな感じのコラージュ画像を作っていきました。

プロンプトはこちらの記事を参考にしてください↓

コラージュ画像生成を何回か繰り返して、これいいな！と思う画像ができたら、コラージュ画像を1枚1枚の画像にしていきます。

これで出来たのがこんな感じの画像です↓

画像ができたら、今度は動画生成をします。

動画生成のやり方(Kling 3.0/2.6、Seedance2.0)

やり方はシンプルで、画像をアップロードして、プロンプトを入力するだけです。

所謂「image to video」です。

例えばこの動画の場合は、

こんな感じの指示でOKです。

さらに、この動画の場合は、

こんな感じです。

ここまではKlingでだいたい行けると思います。
Klingでどうしてもできなかったのはこのシーンです。

このシーンはSeedance2.0を使用しました。

プロンプトはこんな感じです。

手で持った線香花火のクローズアップ。
線香花火の棒は最後まで手に持たれたまま、画面内の同じ位置に残る。
カメラはわずかに手振れしている。背景は強くぼけた夕暮れの空。
細い火花が静かにパチパチと散り、先端には小さな雫型の赤橙色の火の玉がついている。
約8秒後、棒は落ちずに固定されたまま、先端の火の玉だけが棒から離れて真下にぽとっと落ちる。
火の玉は短い光の尾を引きながら落ち、火花は弱まり、静かで哀愁のある余韻が残る。
切ない夏の終わりの雰囲気。実写風、シネマティック、浅い被写界深度。

もうすぐ夏本番なのでこれは自分もまた使いそう🎆

という感じで、動画化まで出来たら、次はいよいよ音声の生成です！

音声生成のやり方(Seed Audio 1.0)

まずはfalに移動します。

そうするとこんな感じの画面になってると思います。

サンプルプロンプトはこんな感じで書かれていました。

Generate a short suspense radio drama in a late-night convenience store, in English
（深夜のコンビニを舞台にした、短いサスペンス系のラジオドラマを英語で作ってください。）

このプロンプトのサンプル音声がこちらです！

英語は全くわかりませんが、ここまでラジオドラマになるのはすごい…！
と思って日本語で試してみたのがこちらです👇🏻

違う、そうじゃない…(笑)
ということで気を取り直して、プロンプトを書きなおして生成した音声がこちらです。

いいですね。
若干イントネーション気になりますが、複数話者も一発で作れる＆SEも付けてくれるのが◎

実際に使用したプロンプトはこんな感じです👇🏻