Seed Audio 1.0 리뷰: 음성, 효과음, 음악을 한 대의 기기로 모두 해결

Seed Audio 1.0은 제가 테스트해 본 오디오 모델 중, 단일 출력 유형이 아닌 전체적인 장면을 중심으로 설계된 듯한 느낌을 주는 최초의 모델 중 하나입니다. 이 모델은 단 하나의 프롬프트만으로 말하기, 연기하기, 배경음 추가하기, 폴리 효과 생성하기, 타임라인에 대사 배치하기, 그리고 기악 음악 제작하기 등의 기능을 수행할 수 있습니다.

간단한 결론: Seed Audio 1.0은 통합 오디오 제작, 특히 타이밍이 중요한 대사와 영화 같은 사운드 장면에서 유례없이 높은 잠재력을 보여줍니다. 단점은 재현성이 떨어진다는 점입니다. 잘 나온 실행 결과는 놀라울 정도로 완성도 높게 들릴 수 있는 반면, 같은 프롬프트로 실행한 다른 결과는 말이 뒤섞이거나, 특정 이벤트를 하나 빠뜨리거나, 요청한 목소리가 바뀌는 경우가 있을 수 있습니다.

Anywhere/BrolyAI 테스트 환경을 통해 23개의 채점용 샘플을 생성했습니다. 이 샘플들은 내레이션, 두 인물의 대화, 타임스탬프가 포함된 음성, 효과음만 있는 시퀀스, 음성과 음악이 결합된 장면, 독립형 음악, 다국어 연기와 2분짜리 독백, 참조 오디오 이어붙이기 등 다양한 유형을 아우르고 있습니다.

Seed Audio 1.0 리뷰: 간략한 평가

최적 대상: 라디오 드라마, 게임 장면, 팟캐스트 기획안, 영화 시나리오 프로토타입, 오디오 중심 스토리보드 등을 제작하는 창작자들.

다음과 같은 경우에는 적합하지 않습니다: 결정론적인 표현, 정확한 반복 횟수 계산, 또는 단 한 번의 무인 생성만으로 신뢰할 수 있는 음성 복제가 필요한 작업들.

Seed Audio 1.0이란 무엇인가요?

Seed Audio 1.0은 ByteDance Seed의 통합 텍스트-오디오 생성 모델입니다. 이 모델은 음성, 배경음, 효과음, 음악을 별개의 작업으로 취급하는 대신, 이를 하나의 사운드 장면으로 통합하여 생성할 수 있습니다. 공식 제품 페이지에 따르면, 이 모델은 100밀리초 간격의 대화 타이밍을 지원하며, 한 번의 처리로 최대 2분 분량을 생성할 수 있다고 합니다.

바로 그 통일된 디자인이 진정한 매력입니다. 프롬프트를 통해 누가 말하는지, 목소리가 어떻게 들리는지, 방 안에서 무슨 일이 일어나는지, 나중에 어떤 효과가 추가되는지, 그리고 장면 배경에 어떤 음악이 흐르는지 등을 묘사할 수 있습니다. 잘 만들어지면, 결과물은 단순히 조각조각 이어붙인 것이 아니라 마치 하나의 작품처럼 자연스럽게 어우러집니다.

여기에는 중요한 구분이 있습니다. 바이트댄스(ByteDance)의 자체 로드맵에 따르면, 현재 세밀한 타이밍 조정은 주로 캐릭터 대화에 초점을 맞추고 있습니다. 음향 효과, 배경음, 음악에 대한 보다 정밀한 제어는 여전히 추가 개발이 필요한 분야입니다. 저희가 진행한 테스트 결과도 이러한 구분을 뒷받침했습니다. 대화 타이밍은 훌륭했지만, 폴리(Foley) 효과의 정확한 횟수 파악은 다소 신뢰도가 떨어졌습니다.

2026년 8월 6일 확인된 공식 출처:

• Seed Audio 1.0 제품 페이지
• 바이트댄스 시드 소개
• BytePlus Audio 1.0 API 문서
• BytePlus Audio 1.0 가격

Seed Audio 1.0 테스트 방법

우리는 9가지 작업을 설계하고 23회의 채점된 생성 과정을 수행했습니다. 대부분의 성능 테스트에서는 2~3회의 반복을 실시했는데, 이는 단 한 번의 정제된 샘플만으로는 생산 신뢰성을 거의 파악할 수 없기 때문입니다.

계획된 23개의 산출물에는 약 12.5분 분량의 생성된 오디오가 포함되어 있었으며, 테스트 환경을 통해 $1.7504의 업스트림 생성 비용이 보고되었습니다. Seed Audio는 텍스트 토큰 사용량을 반환하지 않았습니다. 청구는 생성된 초를 기준으로 이루어졌으므로, 생성 토큰은 ‘해당 없음’으로 기록되었습니다.

모든 평가 대상 출력은 40kHz, 16비트, 스테레오 PCM WAV 파일이었다. 직접 자동 재생이 불가능한 경우, Gemini 3.6 Flash는 WAV 파일을 오디오 입력으로 받아 구조화된 전사본, 이벤트 확인 결과, 타이밍 추정값 및 아티팩트 관련 메모를 출력했다. 이러한 판정은 자동화된 청취 평가 결과이며, 사람이 부여한 MOS 점수가 아닙니다.

음성 생성: 인상적인 고음역대, 일관성 없는 재현성

사용된 프롬프트

차분한 여성 내레이터 한 명이 두 문장을 정확히 전달하며, 우려에서 확신으로 분위기를 전환한다. 음악이나 효과음은 없다.

내레이션 지침에는 한 명의 차분한 여성 화자가 배경 소음 없이, 절제된 우려에서 점차 커지는 자신감으로 감정을 변화시키며 두 문장을 정확히 낭독하도록 요청했습니다.

이 세 번의 실행 결과는 서로 매우 다른 양상을 보였습니다:

• 1차 주행: 요청받은 대사를 말한 뒤, 몇 초 동안 대본에 없는 횡설수설하는 말을 이어갔다.
• 2차 실행: 정확히 그 대사를 말했지만, 말투는 느리고 끊어지는 듯했다.
• 3차 주행: 대본 전체를 자연스러운 어조로, 최적의 진행 속도와 일관된 목소리 톤을 유지하며 소화해 냈다.

이것이 이번 리뷰의 핵심 요점입니다. Seed Audio 1.0은 인상적인 음성 출력을 만들어낼 수 있지만, 문구 표현이 중요한 작업의 경우 한 번의 실행만으로는 충분하지 않습니다. 대체 문구를 생성하고, 게시하기 전에 전체 내용을 꼼꼼히 들어보시기 바랍니다.

이 모델은 세 번의 내레이션 실행 모두에서 ‘음악 없음’, ‘음향 효과 없음’, ‘원치 않는 배경음 없음’이라는 부정적 지시 사항을 충실히 따랐으며, 해당 요소들은 감지되지 않았습니다.

다인물 대화 및 화자 구분

사용된 프롬프트

마야가 속삭이고, 엘리가 차분하게 대답하며, 세 번의 정형화된 대화 사이로 냉장고에서 나는 웅웅거리는 소리가 흘러나온다.

편의점 장면에는 성인 캐릭터 두 명과 세 줄의 대사가 등장했습니다. 마야는 긴장된 목소리로 속삭여야 했고, 엘리는 침착한 어조를 유지하려 애썼습니다. 배경음으로는 냉장고의 은은한 작동 소리만 요청되었습니다.

세 번의 재생 모두 두 가지 뚜렷한 목소리로 대사를 올바른 순서대로 전달했습니다. 가장 뛰어난 재생 결과는 정확한 대사, 선명한 화자 구분, 설득력 있는 감정 표현, 그리고 끊임없이 들리는 냉장고 작동 소리가 조화를 이뤘습니다.

다른 실행 결과들에서는 장면 차원의 사소한 문제들이 발견되었습니다. 그중 하나는 30초 분량의 영상 중 대화가 시작되기 전까지 대략 전반부를 배경음으로 채웠습니다. 또 다른 하나는 요청된 냉장고 작동음을 생략했습니다. 두 실수 모두 대사 장면을 망치지는 않았지만, 편집 효율을 떨어뜨리는 요인이 되었습니다.

오디오 드라마의 경우, 실제 결과는 고무적입니다. Seed Audio는 등장인물의 감정 변화와 목소리의 대비를 잘 파악합니다. 다만, 지나치게 긴 도입부는 잘라내거나 적절한 실내 음향을 얻기 위해 재생성해야 할 수도 있습니다.

대화 타이밍 부문에서 가장 뛰어난 성과를 거두었다

사용된 프롬프트

0.0초, 4.0초, 9.0초 지점에 각각 남성/여성/남성 화자가 등장하는 세 개의 라디오 대사를 배치하세요.

타이밍 테스트에는 다음 세 개의 무선 회선이 요청되었습니다:

1. “0.0초에 ”7팀, 보고.”.
2. “4.0초 시점에 ”북쪽 입구 확보.”.
3. “9.0초 지점에서 ”위치를 유지하라.”.

세 번의 실행 전반에 걸쳐, 대사와 순서, 그리고 남성-여성-남성 화자 패턴이 모두 정확했습니다. Gemini의 오디오 추정치에 따르면, 반복 실행의 시작 시점은 각각 약 0.1초, 4.0초, 9.0초로 나타났습니다. 첫 번째 실행의 시작 시점은 대략 0.1, 3.9, 8.9초로 추정되었다.

이러한 측정값을 100밀리초 정밀도를 입증하는 실험실 수준의 증거로 제시해서는 안 됩니다. 평가 기관 측에서도 불확실성이 대략 0.1초 정도라고 밝혔기 때문입니다. 이러한 제한 사항이 있음에도 불구하고, 이는 우리가 테스트한 기능 중 재현성이 가장 뛰어난 것이었습니다. 대사를 계획된 타임라인 위치 근처에 삽입해야 하는 경우, Seed Audio 1.0은 유난히 유망한 솔루션입니다.

SFX 생성: 사실적인 장면, 부정확한 계수

사용된 프롬프트

열쇠 소리, 무거운 문, 정확히 세 걸음, 천둥소리, 그리고 마지막으로 문이 쾅 하고 닫히는 소리. 목소리도 음악도 없다.

SFX 전용 프롬프트에는 타일로 마감된 작은 복도가 묘사되어 있었습니다: 마이크 근처에 놓인 열쇠들, 무거운 나무 문이 열리는 소리, 멀어져 가는 세 걸음의 느린 발소리, 멀리서 들려오는 천둥소리, 그리고 마지막으로 문이 쾅 하고 닫히는 소리. 대사와 음악은 허용되지 않았습니다.

두 출력 모두 사실감 있는 음향 공간을 구현했으며, 이벤트의 순서를 잘 유지했고, 목소리나 음악이 다른 공간으로 새어 나가는 현상도 방지했습니다. 효과는 거리감과 공간의 일관성이 뛰어나며 사실적이라고 평가받았습니다.

두 실행 결과 모두 정확한 횟수를 따르지 않았습니다. 하나는 발소리가 네 번, 다른 하나는 두 번 나았습니다. 따라서 Seed Audio는 설득력 있는 폴리 콘셉트를 만들어내는 데는 유용하지만, 편집자가 정확히 세 번의 충격음, 두드리는 소리, 발소리 또는 총소리가 필요할 때는 신뢰성이 떨어집니다.

가장 효율적인 작업 방식은 분위기 조성 및 신속한 프로토타이핑을 위해 원패스 SFX 생성을 활용한 다음, DAW에서 카운트가 중요한 이벤트를 교체하거나 편집하는 것입니다.

한 장면 속의 음성, 배경음, 효과음, 음악

사용된 프롬프트

빗물이 흐르는 골목, 차량 소음, 사이렌 소리, 속삭이는 형사의 목소리, 현악기의 박동, 재빠른 발소리, 그리고 금속이 부딪히는 쾅 하는 소리.

전체 장면 테스트는 의도적으로 다양한 요소가 뒤섞여 있었다. 젖은 밤의 골목길, 물방울 떨어지는 소리, 차량 소음, 울려 퍼지는 경찰 사이렌 소리, 형사의 속삭이는 대사, 절제된 현악기 연주, 재빠른 발소리, 그리고 금속 문이 쾅 하고 닫히는 소리 등이 요구되었다.

세 번의 실행 중 두 번은 이벤트 시퀀스가 완벽하게 재현되었습니다. 배경음과 음악 속에서도 대사가 선명하게 들렸으며, 장면은 서로 관련 없는 클립들을 겹쳐 놓은 듯한 느낌이 아니라 공간적으로 일관성이 느껴졌습니다. 한 번의 실행에서는 올바른 분위기와 정확한 대사를 재현했음에도 불구하고, 마지막 금속이 부딪히는 소리가 빠졌습니다.

바로 이 부분에서 통합 모델이 그 장점을 가장 잘 입증합니다. 스토리보드 제작과 창의적 아이디어 구상 단계에서는, 하나의 프롬프트만으로 혼합된 장면 전체를 생성하는 것이 각 구성 요소를 따로따로 확보하는 것보다 더 빠르고 표현력도 뛰어납니다. 최종 제작 단계에서는 중요한 엔딩 큐에 대한 검증이 여전히 필요합니다.

Seed Audio 1.0으로 음악을 만들 수 있나요?

사용된 프롬프트

첼로 오스티나토, 뮤트 처리된 피아노, 아날로그 드론, 서서히 고조되는 전개, 그리고 미해결로 끝나는 72 BPM의 서스펜스 음악입니다.

네. 저희가 진행한 테스트에서 Seed Audio 1.0은 막연한 앰비언트 텍스처뿐만 아니라, 명확하게 식별 가능한 독립형 기악 음악을 생성해 냈습니다.

프로ンプ트에는 72 BPM의 30초 분량 서스펜스 큐를 요청했으며, 여기에는 낮은 첼로 오스티나토, 뮤트 처리된 피아노의 박동감, 부드러운 아날로그 드론, 명확한 빌드업, 그리고 해결되지 않은 마지막 화음이 포함되어야 했습니다. 세 번의 연주 모두 요청된 템포의 느낌과 결말을 갖춘 일관성 있는 음악 큐를 형성했습니다. 두 곡은 요청된 모든 요소를 포함했으나, 한 곡에서는 뮤트 처리된 피아노 소리가 잘 구분되지 않았습니다.

그렇다고 해서 Seed Audio가 전용 곡 생성기를 자동으로 대체할 수 있는 것은 아닙니다. 우리의 과제는 가사가 있는 후렴구-절 구조의 곡이 아니라, 짧은 기악 영화 음악이었습니다. 그럼에도 불구하고, 이 도구의 음악 제작 기능은 게임 장면, 예고편, 팟캐스트, 프리비주얼라이제이션을 지원하기에 충분히 뛰어나며, 특히 음악이 같은 생성 과정에서 대사와 사운드 디자인과 상호작용해야 할 때 그 진가를 발휘합니다.

다국어 처리 성능: 최상의 경우 우수, 최악의 경우 미흡

사용된 프롬프트

한 여성 캐릭터가 영어, 일본어, 독일어를 모두 같은 태도와 차분한 감정으로 구사한다.

이 다국어 과제에서는 한 여성 캐릭터가 녹음 현장에서 같은 대사를 영어, 일본어, 독일어로 말하도록 요청받았습니다. 두 번의 녹음 결과, 정반대의 인상을 주었습니다.

성능이 더 뛰어난 실행 결과는 세 문장 모두를 정확하게 전달했고, 동일한 어조를 유지하며 차분한 감정을 표현했으며, 자연스러운 멈춤을 보여주었습니다. 반면 성능이 떨어지는 실행 결과는 영어로 시작할 때는 정확했으나, 일본어 부분에서는 말을 반복하거나 엉뚱한 내용을 읊조리는 등 오류가 발생했고, 독일어 도입부도 제대로 처리하지 못했습니다. 이로 인해 언어 간 어조 일관성이 급격히 떨어졌습니다.

즉, Seed Audio 1.0은 설득력 있는 다국어 캐릭터 연기를 구현할 수 있지만, 이 기능을 활용하려면 여러 후보와 언어별 검토가 필요합니다. 첫 번째 언어만 확인하고 다국어 출력을 승인해서는 안 됩니다.

2분 내 생성 및 장문 음성 안정성

사용된 프롬프트

한 남성 팟캐스트 진행자가 배경 설명 없이 세 가지 발견을 중심으로 기상 관측소 이야기를 체계적으로 풀어낸다.

두 가지 장문 과제 모두 정확히 120초 길이의 WAV 파일을 생성했습니다. 두 파일 모두 음악이나 음향 효과 없이, 건조한 스튜디오 음향의 남성 팟캐스트 진행자 한 명의 목소리만 사용되었습니다.

첫 번째 실행에서는 처음부터 끝까지 일관된 화자와 논리 정연한 조사 구조가 유지되었습니다. 명확한 서두, 시간 순서에 따른 세 가지 발견, 호기심에서 불안감으로의 전환, 그리고 해결되지 않은 마지막 의문 등이 포함되었습니다. 뚜렷한 화자 변화나 내용이 뒤섞인 부분은 발견되지 않았습니다.

두 번째 실행 역시 일관성과 안정성이 뛰어났으며, 1분 31초 경에 잠시 발음이 어긋나는 부분이 한 번 있었을 뿐입니다. 2분짜리 단 한 번의 실행으로 이루어진 독백 치고는 매우 훌륭한 결과입니다. 이는 Seed Audio가 주장하는 ‘장편’ 기능이 단순히 재생 시간의 제한에 그치는 것이 아니며, 모델이 전체 재생 시간 동안 정체성과 서사 구조를 유지할 수 있음을 시사합니다.

참조 오디오의 연속성에는 주의가 필요합니다

사용된 프롬프트

음성 특성과 친밀한 녹음 스타일을 유지하면서, 승인된 여성 참고 음성을 바탕으로 이어 나갑니다.

기준 테스트에서는 가장 강렬한 내레이션 샘플을 공식 입력 자료로 사용했으며, 동일한 여성적 정체성과 친밀한 녹음 스타일을 유지한 채 이야기를 이어가도록 요청했다.

두 출력 결과 모두 요청된 대사를 정확히 말했으나, 어느 쪽도 기준 음성과는 잘 일치하지 않았다. 첫 번째 결과는 숨 소리가 섞인 속삭임으로 바뀌었고, 음성 유사도 점수에서 2/5라는 보수적인 점수를 받았다. 두 번째 결과는 남성 목소리를 사용한 것으로 판단되어 유사도 점수 1/5를 받았으며, 말을 시작하기 전 원치 않는 폴리 효과음이 약 17초 동안 추가되었다.

여기에는 중요한 환경적 제약이 있습니다. Anywhere 태스크 엔드포인트는 참조 필드를 수락했지만, 업스트림 모델이 해당 참조를 어떻게 활용했는지를 보여주는 확인 메시지를 반환하지는 않았습니다. 이러한 결과는 테스트 경로를 통해 참조의 연속성이 신뢰할 수 없음을 입증할 뿐이며, BytePlus의 네이티브 API가 항상 동일한 방식으로 동작한다는 것을 입증하는 것은 아닙니다.

Seed Audio 1.0 가격 및 제한 사항

BytePlus는 공식 종량제 요금을 다음과 같이 명시하고 있습니다. 생성된 1분당 $0.15, 초 단위로 과금되며, 60분 무료 체험 서비스가 활성화되면. API 문서에는 최대 120초 출력, 최대 3,000자, 최대 세 개의 참조 오디오 클립, 그리고 참조 이미지를 하나 받아들입니다.

각 참조 오디오 클립의 길이는 최대 30초, 용량은 최대 10MB입니다. 참조 이미지의 용량 제한은 10MB입니다. 이는 BytePlus 자체의 제한 사항이며, 타사 플랫폼에서는 더 작은 입력 양식을 제공하거나 다른 요금 체계를 적용할 수 있습니다.

Anywhere/BrolyAI 테스트 경로의 경우 업스트림 비용을 별도로 집계한 결과, 생성된 1분당 평균 약 $0.14가 기록되었습니다. 이 테스트 환경의 수치는 BytePlus의 소매 가격이나 다른 플랫폼의 최종 가격과 혼동해서는 안 됩니다.

Seed Audio 1.0의 장점과 단점

장점

• 한 번의 처리 과정으로 음성, 배경음, 폴리 효과음, 음악을 생성합니다.
• 반복된 테스트에서 대화 타이밍이 매우 훌륭했습니다.
• 두 스피커 간의 뚜렷한 분리감과 대본을 정확히 재현하는 능력.
• 유용한 독립형 영화 음악을 제작합니다.
• 2분 동안 일관된 목소리 톤과 이야기의 일관성을 유지합니다.
• 테스트 경로를 통해 깨끗한 40 kHz 스테레오 WAV 파일을 출력합니다.

단점

• 반복 실행 결과는 자연스러움과 신뢰성 측면에서 극명한 차이를 보일 수 있습니다.
• 때때로 환각에 의한 말이나 말이 뒤섞이는 현상이 나타난다.
• SFX의 정확한 개수 집계는 신뢰할 수 없습니다.
• 일부 완성된 장면에서는 요청된 마지막 이벤트가 누락되어 있습니다.
• 다국어 성능은 면밀한 검토가 필요합니다.
• 테스트 환경 전반에 걸쳐 음성 일관성이 떨어졌습니다.
• 높은 병렬 제출으로 인해 업스트림 동시성 오류가 발생했으나, 실패한 작업에 대해서는 요금이 청구되지 않았습니다.

Seed Audio 1.0은 어떤 분들이 사용해야 할까요?

Seed Audio 1.0은 개별 자산보다는 장면 단위로 사고하는 오디오 제작자들에게 안성맞춤입니다. 특히 라디오 드라마, 게임 대사, 영화 시나리오 프로토타입, 오디오 스토리보드, 팟캐스트 콘셉트, 짧은 서스펜스 효과음 제작에 유용합니다.

원클릭 최종 결과물 생성 시스템으로서는 그다지 설득력이 떨어집니다. 정확한 문구, 목소리 정체성, 또는 이벤트 횟수가 법적 또는 창작적 측면에서 매우 중요하다면, 여러 번의 생성 과정과 사람의 검토를 거칠 수 있도록 계획을 세워야 합니다. 이 모델은 결정론적 렌더러가 아니라, 여러 번의 테이크를 가진 신속한 오디오 감독으로 여길 때 가장 효과적입니다.

최종 판결

Seed Audio 1.0은 정말 흥미로운 통합 오디오 모델입니다. 단 하나의 프롬프트만으로 설득력 있는 음성, 폴리, 배경음, 음악을 생성할 수 있다는 점은 단순한 출시 홍보 문구가 아닙니다. 혼합 장면 및 음악 테스트 결과, 이 요소들이 서로 잘 어우러진다는 사실이 입증되었습니다.

이 모델의 가장 큰 장점은 대사 타이밍이었고, 가장 큰 약점은 일관성이었습니다. 23개의 샘플 전반에 걸쳐, 이 모델은 최상의 결과와 눈에 띄게 약한 대체 버전을 반복적으로 보여주었습니다.

창의적인 프로토타이핑의 경우, 이러한 절충안은 쉽게 받아들일 수 있습니다. 여러 버전을 생성한 뒤 가장 뛰어난 결과물을 선택하고, 모든 결말을 꼼꼼히 검토하면 됩니다. 반면, 결정론적인 제작, 정확한 음성 일치, 또는 이벤트 횟수에 민감한 작업의 경우에는 워크플로우에 사람의 검토 및 편집 단계를 반드시 포함시켜야 합니다.

종합 평가: Seed Audio 1.0은 우리가 테스트해 본 장면 단위 오디오 생성기 중 가장 뛰어난 성능을 자랑하지만, 일회성 최종 렌더링 도구라기보다는 여러 번의 시도를 거치는 창의적인 작업 도구로 활용하는 것이 가장 좋습니다.