รีวิว Seed Audio 1.0: เสียงพูด, เสียงเอฟเฟกต์ และเพลงในเครื่องเดียว

Seed Audio 1.0 เป็นหนึ่งในโมเดลเสียงแรกๆ ที่ผมได้ทดสอบ ซึ่งดูเหมือนถูกออกแบบมาเพื่อสร้างฉากที่สมบูรณ์แบบ แทนที่จะเน้นไปที่ประเภทผลลัพธ์เพียงอย่างเดียว มันสามารถพูด แสดงบทบาท เพิ่มบรรยากาศ สร้างเสียงเอฟเฟกต์ (Foley) จัดวางบทสนทนาบนไทม์ไลน์ และสร้างดนตรีบรรเลงได้จากคำสั่งเพียงคำสั่งเดียว.

สรุปสั้นๆ: Seed Audio 1.0 มีศักยภาพสูงอย่างไม่ธรรมดาในการสร้างเสียงแบบบูรณาการ โดยเฉพาะอย่างยิ่งสำหรับบทสนทนาที่จัดเวลาและฉากเสียงแบบภาพยนตร์ จุดอ่อนของมันคือความสามารถในการทำซ้ำ. ผลลัพธ์ที่ดีอาจฟังดูสมบูรณ์แบบอย่างน่าทึ่ง ในขณะที่ผลลัพธ์อื่นจากคำสั่งเดียวกันอาจมีเสียงที่ผิดเพี้ยน ขาดเหตุการณ์หนึ่ง หรือเปลี่ยนเสียงที่ร้องขอ.

ผมได้สร้างตัวอย่างเสียง 23 ตัวอย่างที่มีคะแนนผ่านสภาพแวดล้อมการทดสอบ Anywhere/BrolyAI ตัวอย่างเหล่านี้ครอบคลุมการบรรยาย, การสนทนาของตัวละครสองคน, การพูดที่มีเวลาแสดง, ฉากที่มีเพียงเสียงเอฟเฟกต์ (SFX), ฉากที่มีเสียงและดนตรี, ดนตรีเดี่ยว, การแสดงหลายภาษา, การพูดคนเดียวเป็นเวลาสองนาที และการต่อต่อจากเสียงอ้างอิง.

รีวิว Seed Audio 1.0: ความเห็นเบื้องต้น

เหมาะที่สุดสำหรับ: ผู้สร้างที่ผลิตละครวิทยุ ฉากเกม แนวคิดพอดแคสต์ แบบต้นแบบภาพยนตร์ และสตอรีบอร์ดที่เน้นเสียงเป็นหลัก.

ไม่เหมาะสำหรับ: งานที่ต้องการการใช้คำที่ชัดเจนและแน่นอน การนับจำนวนเหตุการณ์ที่ซ้ำกันได้อย่างแม่นยำ หรือการคัดลอกเสียงที่เชื่อถือได้จากการสร้างแบบอัตโนมัติเพียงครั้งเดียว.

Seed Audio 1.0 คืออะไร?

Seed Audio 1.0 เป็นโมเดลการสร้างเสียงจากข้อความแบบรวมของ ByteDance Seed โดยแทนที่จะแบ่งการประมวลผลเสียงพูด เสียงบรรยากาศ เอฟเฟกต์ และเพลงเป็นงานแยกกัน โมเดลนี้สามารถสร้างทั้งหมดเป็นฉากเสียงเดียวได้ หน้าผลิตภัณฑ์อย่างเป็นทางการระบุว่า ระบบนี้สนับสนุนการกำหนดเวลาบทสนทนาในระยะ 100 มิลลิวินาที และสามารถสร้างเสียงได้สูงสุด 2 นาทีในครั้งเดียว.

การออกแบบที่เป็นหนึ่งเดียวนี้คือจุดดึงดูดที่แท้จริง คำสั่งสามารถอธิบายได้ว่าใครกำลังพูด เสียงของพวกเขาเป็นอย่างไร มีอะไรเกิดขึ้นในห้อง เอฟเฟกต์ใดจะเข้ามาในภายหลัง และเพลงประเภทใดจะเล่นเป็นพื้นหลังของฉากนั้น เมื่อทำงานได้ดี ผลลัพธ์ที่ได้จะฟังดูเหมือนถูกแต่งขึ้นอย่างเป็นหนึ่งเดียว แทนที่จะถูกต่อเข้าด้วยกันอย่างไม่เป็นธรรมชาติ.

มีข้อจำกัดสำคัญอยู่หนึ่งข้อ ตามแผนพัฒนาของ ByteDance เอง ระบุว่า การกำหนดเวลาอย่างละเอียดในปัจจุบันยังเน้นไปที่บทสนทนาของตัวละครเป็นหลัก ส่วนการควบคุมเอฟเฟกต์เสียง บรรยากาศ และดนตรีให้แม่นยำยิ่งขึ้น ยังคงเป็นพื้นที่ที่ต้องพัฒนาต่อไป ผลการทดสอบของเราสอดคล้องกับข้อแตกต่างนี้: การกำหนดเวลาของบทสนทนาทำได้ดีมาก แต่การนับจำนวนเสียงเอฟเฟกต์แบบ Foley อย่างแม่นยำกลับไม่น่าเชื่อถือเท่าที่ควร.

ข้อมูลจากแหล่งข่าวอย่างเป็นทางการที่ตรวจสอบเมื่อวันที่ 6 สิงหาคม 2569:

• หน้าผลิตภัณฑ์ Seed Audio 1.0
• การแนะนำ ByteDance Seed
• เอกสาร API ของ BytePlus Audio 1.0
• ราคา BytePlus Audio 1.0

วิธีที่เราทดสอบ Seed Audio 1.0

เราได้ออกแบบงาน 9 รายการ และดำเนินการสร้างรุ่นที่ได้รับการประเมิน 23 ครั้ง การทดสอบความสามารถส่วนใหญ่ใช้การทำซ้ำ 2 หรือ 3 ครั้ง เนื่องจากตัวอย่างที่ผ่านการปรับแต่งเพียงหนึ่งชิ้นไม่สามารถให้ข้อมูลมากนักเกี่ยวกับความน่าเชื่อถือในการผลิต.

ผลลัพธ์ที่วางแผนไว้ 23 รายการ มีเสียงที่สร้างขึ้นรวมประมาณ 12.5 นาที และรายงานค่าใช้จ่ายในการสร้างข้อมูลต้นทาง (upstream generation cost) เป็น $1.7504 ผ่านสภาพแวดล้อมการทดสอบ Seed Audio ไม่รายงานการใช้โทเคนข้อความ (text-token usage) การคิดค่าบริการขึ้นอยู่กับจำนวนวินาทีที่สร้างขึ้น ดังนั้น โทเคนการสร้างข้อมูลจึงถูกบันทึกว่า “ไม่เกี่ยวข้อง” (not applicable).

ไฟล์ WAV PCM สเตอริโอทั้งหมดที่ผ่านการให้คะแนนมีอัตราความถี่ 40 kHz, 16 บิต เมื่อไม่สามารถเล่นไฟล์แบบอัตโนมัติโดยตรงได้ Gemini 3.6 Flash จะรับไฟล์ WAV เป็นข้อมูลเสียงเข้า และส่งคืนข้อความถอดเสียงที่มีโครงสร้าง การตรวจสอบเหตุการณ์ การประมาณเวลา และหมายเหตุเกี่ยวกับสิ่งผิดปกติ การประเมินดังกล่าวเป็นการประเมินการฟังแบบอัตโนมัติ ไม่ใช่คะแนน MOS ที่ให้โดยมนุษย์.

การสร้างเสียง: เสียงสูงที่น่าประทับใจ แต่ความสม่ำเสมอในการทำซ้ำยังไม่สม่ำเสมอ

ข้อความคำสั่งที่ใช้

ผู้เล่าเรื่องหญิงคนหนึ่งด้วยน้ำเสียงสงบ อ่านสองประโยคที่เหมือนกันเป๊ะ โดยอารมณ์เปลี่ยนจากความกังวลไปสู่ความมั่นใจ ไม่มีเพลงหรือเสียงเอฟเฟกต์.

คำสั่งการบรรยายระบุว่า ผู้พูดหญิงหนึ่งคนที่มีน้ำเสียงสงบ ต้องพูดสองประโยคที่เหมือนกันทุกประการ โดยเปลี่ยนจากความกังวลที่ควบคุมได้ไปสู่ความมั่นใจที่เพิ่มขึ้น โดยไม่มีเสียงพื้นหลัง.

ทั้งสามรอบมีพฤติกรรมที่แตกต่างกันอย่างมาก:

• รอบที่ 1: ได้กล่าวประโยคตามที่ขอแล้ว จากนั้นก็พูดต่ออีกหลายวินาทีด้วยคำพูดที่ฟังไม่ชัดและไม่ได้เตรียมไว้ล่วงหน้า.
• รอบที่ 2: พูดตามข้อความอย่างถูกต้อง แต่เสียงฟังดูช้าและขาดช่วง.
• รอบที่ 3: อ่านบทพูดทั้งหมดอย่างเป็นธรรมชาติ ด้วยจังหวะการพูดที่เหมาะสมที่สุด และน้ำเสียงที่สม่ำเสมอ.

นี่คือรูปแบบหลักของการตรวจสอบ Seed Audio 1.0 สามารถสร้างเสียงที่มีคุณภาพดีได้ แต่การรันเพียงครั้งเดียวไม่เพียงพอสำหรับงานที่เน้นความแม่นยำของคำ ควรสร้างตัวเลือกอื่น ๆ และฟังจนจบทั้งส่วนท้ายก่อนที่จะเผยแพร่.

โมเดลนี้ได้ปฏิบัติตามคำสั่งเชิงลบในทั้งสามรอบการเล่าเรื่อง: ไม่พบมีเพลง เสียงเอฟเฟกต์ หรือเสียงพื้นหลังที่ไม่ต้องการ.

การสนทนาที่มีหลายตัวละครและการแยกผู้พูด

ข้อความคำสั่งที่ใช้

มายาพูดด้วยเสียงเบาๆ เอลีตอบกลับอย่างสงบ และเสียงฮัมของตู้เย็นดังขึ้นอยู่เบื้องหลังบทสนทนาสามรอบที่คงที่.

ฉากในร้านสะดวกซื้อของเราใช้ตัวละครผู้ใหญ่สองคนและบทพูดสามบรรทัดที่คงที่ มายาต้องกระซิบด้วยน้ำเสียงตึงเครียด ส่วนเอลีพยายามให้เสียงฟังดูสงบ สิ่งเดียวที่ขอให้มีในฉากหลังคือเสียงฮัมเบาๆ ของตู้เย็น.

ทั้งสามรอบการทดสอบล้วนถ่ายทอดบทสนทนาตามลำดับที่ถูกต้องด้วยเสียงสองแบบที่ชัดเจน รอบการทดสอบที่ดีที่สุดรวมเอาบทสนทนาที่ตรงตามต้นฉบับ การแยกเสียงผู้พูดที่ชัดเจน อารมณ์ที่สมจริง และเสียงฮัมของตู้เย็นที่ต่อเนื่อง.

การทดสอบอื่นๆ พบปัญหาในระดับฉากที่น้อยกว่า หนึ่งครั้งใช้เวลาประมาณครึ่งแรกของระยะเวลา 30 วินาทีไปกับการสร้างบรรยากาศก่อนที่จะเริ่มบทสนทนา อีกครั้งหนึ่งไม่ได้ใส่เสียงเครื่องเย็นตามที่ขอ ทั้งสองข้อผิดพลาดนี้ไม่ได้ทำให้ฉากสนทนาเสียหาย แต่ทั้งสองล้วนทำให้ประสิทธิภาพการตัดต่อลดลง.

สำหรับละครเสียง ผลลัพธ์ในทางปฏิบัติดูน่าพอใจ: Seed Audio เข้าใจการเปลี่ยนแปลงของตัวละครและความแตกต่างในน้ำเสียง คุณอาจยังต้องตัดส่วนนำที่ยาวเกินไป หรือสร้างเสียงห้องใหม่เพื่อให้ได้โทนเสียงห้องที่เหมาะสม.

การจับจังหวะการสนทนาเป็นผลลัพธ์ที่ดีที่สุด

ข้อความคำสั่งที่ใช้

วางเส้นวิทยุสามเส้นที่ 0.0, 4.0 และ 9.0 วินาที โดยใช้ลำโพงแบบชาย/หญิง/ชาย.

การทดสอบเวลาได้กำหนดให้ใช้สายวิทยุสามสาย:

1. “หน่วยเจ็ด รายงาน” ที่ 0.0 วินาที.
2. “ทางเข้าด้านเหนือปลอดภัยแล้ว” เมื่อเวลา 4.0 วินาที.
3. “คงตำแหน่ง” ที่ 9.0 วินาที.

ในทั้งสามรอบการทดลอง เส้น ลำดับ และรูปแบบผู้พูดชาย-หญิง-ชาย ล้วนถูกต้อง การประมาณค่าเสียงของ Gemini ระบุจุดเริ่มต้นของการทดลองที่ซ้ำกันอยู่ที่ประมาณ 0.1, 4.0 และ 9.0 วินาที การทดลองครั้งแรกได้รับการประมาณการว่าจุดเริ่มต้นของการทดลองที่ซ้ำกันอยู่ที่ประมาณ 0.1, 3.9 และ 8.9 วินาที.

การวัดค่าดังกล่าวไม่ควรถูกนำเสนอเป็นหลักฐานระดับห้องปฏิบัติการที่แสดงถึงความแม่นยำ 100 มิลลิวินาที — ผู้ประเมินเองก็ระบุไว้ว่ามีความไม่แน่นอนประมาณ 0.1 วินาที แม้จะมีข้อจำกัดดังกล่าว แต่ความสามารถนี้ก็ยังเป็นความสามารถที่ซ้ำได้มากที่สุดที่เราได้ทดสอบ หากคุณต้องการให้บทสนทนาปรากฏขึ้นใกล้กับตำแหน่งที่กำหนดในไทม์ไลน์ Seed Audio 1.0 ถือเป็นตัวเลือกที่มีศักยภาพสูงอย่างน่าประหลาดใจ.

การสร้างเอฟเฟกต์พิเศษ: ฉากที่สมจริง, การนับที่ไม่สมบูรณ์

ข้อความคำสั่งที่ใช้

กุญแจ, ประตูหนัก, สามก้าวเท้าพอดี, เสียงฟ้าร้อง, และเสียงประตูปิดดังสนั่นครั้งสุดท้าย ไม่มีเสียงพูดหรือเสียงเพลง.

คำสั่งที่ใช้เฉพาะเอฟเฟกต์เสียง (SFX) นี้บรรยายถึงทางเดินเล็ก ๆ ที่ปูด้วยกระเบื้อง: มีกุญแจอยู่ใกล้ไมโครโฟน, ประตูไม้หนักกำลังเปิดออก, เสียงฝีเท้าสามก้าวที่เคลื่อนตัวออกไปอย่างช้า ๆ, เสียงฟ้าร้องจากไกล ๆ, และเสียงประตูปิดดังสนั่นในตอนท้าย ห้ามใช้เสียงพูดและดนตรี.

ทั้งสองผลลัพธ์สร้างพื้นที่เสียงที่สมจริง รักษาลำดับเหตุการณ์ไว้ และป้องกันการรั่วไหลของเสียงพูดหรือเสียงดนตรี ผลลัพธ์ถูกประเมินว่าสมจริง มีความสมดุลด้านระยะทางและความสม่ำเสมอของห้องที่ดี.

ทั้งสองการรันไม่ได้ตามจำนวนที่ระบุไว้อย่างแม่นยำ ครั้งหนึ่งสร้างเสียงฝีเท้าสี่ครั้ง ส่วนอีกครั้งสร้างสองครั้ง ซึ่งทำให้ Seed Audio มีประโยชน์ในการสร้างแนวคิดเสียงฟอลีที่ดูสมจริง แต่จะไม่น่าเชื่อถือเท่าที่ควรเมื่อผู้ตัดต่อต้องการเสียงกระทบ เสียงเคาะ เสียงฝีเท้า หรือเสียงปืนอย่างแม่นยำสามครั้ง.

ขั้นตอนการทำงานที่ดีที่สุดคือการใช้การสร้าง SFX แบบผ่านครั้งเดียว (one-pass) เพื่อสร้างบรรยากาศและสร้างต้นแบบอย่างรวดเร็ว จากนั้นจึงเปลี่ยนหรือแก้ไขเหตุการณ์ที่จำนวนครั้งสำคัญใน DAW.

เสียงพูด เสียงบรรยากาศ เสียงเอฟเฟกต์ และเพลงในฉากเดียว

ข้อความคำสั่งที่ใช้

ทางน้ำฝน, การจราจร, เสียงไซเรน, เสียงกระซิบของนักสืบ, เสียงสายที่สั่นระริก, เสียงฝีเท้าที่เร่งรีบ, และเสียงโลหะที่กระแทกดัง.

การทดสอบฉากครบถ้วนนี้ถูกออกแบบให้มีความซับซ้อนอย่างจงใจ โดยกำหนดให้มีฉากซอยในคืนที่ฝนตก น้ำหยดลง เสียงการจราจร เสียงไซเรนตำรวจที่กำลังเคลื่อนที่ บทพูดของนักสืบที่กระซิบ เสียงเครื่องสายที่เล่นอย่างควบคุม เสียงก้าวเท้าที่เร็ว และเสียงประตูกระแทกที่ฟังเหมือนโลหะ.

สองในสามครั้งที่ทดสอบได้แสดงลำดับเหตุการณ์อย่างครบถ้วน การสนทนายังคงชัดเจนแม้มีเสียงบรรยากาศและดนตรีประกอบ และฉากนั้นให้ความรู้สึกเป็นหนึ่งเดียวในเชิงพื้นที่ แทนที่จะดูเหมือนคลิปต่าง ๆ ที่ไม่เกี่ยวข้องกันถูกจัดเรียงซ้อนกัน ครั้งหนึ่งที่ทดสอบขาดเสียงกระแทกโลหะในตอนท้าย แม้โดยรวมแล้วจะสร้างบรรยากาศได้ถูกต้องและคำพูดก็ตรงตามบท.

นี่คือจุดที่โมเดลแบบรวมตัวแสดงให้เห็นถึงจุดแข็งของมันอย่างชัดเจนที่สุด สำหรับการสร้างสตอรีบอร์ดและการคิดสร้างสรรค์ การสร้างฉากผสมทั้งฉากจากคำสั่งเพียงหนึ่งคำสั่งนั้นรวดเร็วและแสดงออกได้ดีกว่าการหาองค์ประกอบแต่ละส่วนมาแยกกัน สำหรับขั้นตอนการผลิตขั้นสุดท้าย สัญญาณสำคัญในส่วนท้ายยังคงต้องได้รับการตรวจสอบ.

Can Seed Audio 1.0 สามารถสร้างเพลงได้หรือไม่?

ข้อความคำสั่งที่ใช้

เพลงประกอบแนวระทึกขวัญความเร็ว 72 BPM ที่มีเสียงเชลโลแบบออสตินาโต เปียโนแบบมิวท์ ดรอนแบบอนาล็อก การสร้างบรรยากาศที่ค่อยๆ เพิ่มขึ้น และตอนจบที่ยังไม่คลี่คลาย.

ใช่ครับ ในการทดสอบของเรา Seed Audio 1.0 ได้สร้างเพลงบรรเลงที่ฟังแล้วรู้ว่าเป็นเพลงเดี่ยวได้ชัดเจน แทนที่จะเป็นเพียงเสียงบรรยากาศที่คลุมเครือเท่านั้น.

คำสั่งให้สร้างเพลงประกอบแนวระทึกขวัญความยาว 30 วินาที ที่ 72 BPM พร้อมด้วยเสียงเชลโลแบบออสตินาโตต่ำ จังหวะเปียโนที่ปิดเสียง เสียงดรอนแบบอนาล็อกที่นุ่มนวล การสร้างบรรยากาศที่ชัดเจน และคอร์ดสุดท้ายที่ยังไม่คลี่คลาย ทั้งสามเวอร์ชันที่สร้างขึ้นล้วนเป็นเพลงประกอบที่มีความสอดคล้องกัน พร้อมด้วยจังหวะและความรู้สึกตามที่ต้องการ รวมถึงส่วนจบที่ตรงตามคำสั่ง สองในสามเวอร์ชันมีทุกองค์ประกอบที่ขอไว้ครบถ้วน; ส่วนในเวอร์ชันหนึ่ง เสียงเปียโนที่ปิดเสียงนั้นฟังยากที่จะแยกแยะได้.

สิ่งนี้ไม่ได้หมายความว่า Seed Audio จะสามารถแทนที่โปรแกรมสร้างเพลงเฉพาะทางได้โดยอัตโนมัติ งานของเราคือสร้างเพลงบรรเลงสั้นๆ ในสไตล์ภาพยนตร์ ไม่ใช่เพลงที่มีท่อนร้องและท่อนคอรัสพร้อมเนื้อเพลง อย่างไรก็ตาม ความสามารถด้านดนตรีของโปรแกรมนี้มีความครบถ้วนเพียงพอที่จะรองรับฉากในเกม ตัวอย่างภาพยนตร์ พอดแคสต์ และการสร้างภาพจำลองล่วงหน้า — โดยเฉพาะอย่างยิ่งเมื่อดนตรีต้องทำงานร่วมกับเสียงพูดและการออกแบบเสียงในกระบวนการสร้างเดียวกัน.

ประสิทธิภาพในการรองรับหลายภาษา: ดีที่สุดในกรณีที่ดีที่สุด, แย่ที่สุดในกรณีที่แย่ที่สุด

ข้อความคำสั่งที่ใช้

ตัวละครหญิงคนหนึ่งพูดภาษาอังกฤษ ภาษาญี่ปุ่น และภาษาเยอรมัน ด้วยบุคลิกภาพและอารมณ์ที่สงบเหมือนกัน.

ในภารกิจหลายภาษานี้ ตัวละครหญิงหนึ่งคนถูกขอให้แสดงบทบาทเดียวกันในพื้นที่บันทึกเสียงด้วยภาษาอังกฤษ ภาษาญี่ปุ่น และภาษาเยอรมัน การบันทึกสองครั้งให้ผลลัพธ์ที่ต่างกันโดยสิ้นเชิง.

การอ่านที่แข็งแกร่งกว่าได้ถ่ายทอดทั้งสามประโยคอย่างถูกต้อง รักษาโทนเสียงเดิมไว้ รักษาอารมณ์ให้สงบ และใช้การหยุดพักอย่างเหมาะสม ส่วนการอ่านที่อ่อนกว่าเริ่มต้นด้วยภาษาอังกฤษอย่างถูกต้อง แต่หลังจากนั้นได้พูดซ้ำและพูดผิดเพี้ยนในส่วนภาษาญี่ปุ่น และทำให้ส่วนเปิดด้วยภาษาเยอรมันเสียหาย ความสม่ำเสมอของโทนเสียงระหว่างภาษาที่รับรู้ได้ลดลงอย่างรุนแรง.

นี่หมายความว่า Seed Audio 1.0 สามารถสร้างการแสดงตัวละครหลายภาษาที่น่าเชื่อถือได้ แต่คุณสมบัตินี้จำเป็นต้องมีผู้สมัครหลายรายและกระบวนการตรวจสอบที่คำนึงถึงภาษา อย่าอนุมัติผลลัพธ์หลายภาษาโดยตรวจสอบเพียงภาษาแรกเท่านั้น.

การสร้างเสียงภายในสองนาทีและความเสถียรของเสียงในรูปแบบยาว

ข้อความคำสั่งที่ใช้

ผู้ดำเนินรายการพอดแคสต์ชายคนหนึ่งเล่าเรื่องราวเกี่ยวกับสถานีวัดอากาศอย่างเป็นระบบ โดยมีการค้นพบสามอย่างและไม่มีข้อมูลพื้นหลัง.

ทั้งสองงานแบบยาวได้สร้างไฟล์ WAV ที่มีระยะเวลา 120 วินาทีอย่างแม่นยำ โดยแต่ละงานใช้เสียงของผู้ดำเนินรายการพอดแคสต์ชายหนึ่งคน พร้อมเสียงสตูดิโอแบบเรียบๆ ไม่มีเพลง และไม่มีเอฟเฟกต์เสียง.

การอ่านครั้งแรกได้รักษาเสียงเล่าเรื่องเดียวและโครงสร้างการสืบสวนที่สอดคล้องกันตลอดทั้งเรื่อง: การเปิดเรื่องที่ชัดเจน การค้นพบสามครั้งตามลำดับเวลา การเปลี่ยนจากความอยากรู้ไปสู่ความไม่สบายใจ และคำถามสุดท้ายที่ยังไม่ได้รับการแก้ไข ไม่พบการเปลี่ยนเสียงเล่าเรื่องที่ชัดเจนหรือส่วนที่ฟังไม่ชัดเจน.

การรันครั้งที่สองมีความต่อเนื่องและเสถียรภาพในลักษณะเดียวกัน โดยมีข้อผิดพลาดในการออกเสียงเพียงเล็กน้อยในช่วงเวลาประมาณ 1:31 นี่เป็นผลลัพธ์ที่ดีมากสำหรับบทพูดเดี่ยวความยาวสองนาทีที่ผ่านการประมวลผลเพียงครั้งเดียว ซึ่งแสดงให้เห็นว่าคำกล่าวอ้างของ Seed Audio เกี่ยวกับรูปแบบยาว (long-form) ไม่ใช่เพียงข้อจำกัดด้านระยะเวลาเท่านั้น แต่โมเดลนี้สามารถรักษาเอกลักษณ์และโครงสร้างเรื่องเล่าไว้ได้ตลอดทั้งช่วงเวลาที่ประมวลผล.

การใช้เสียงอ้างอิงเพื่อตรวจสอบความต่อเนื่องต้องระมัดระวัง

ข้อความคำสั่งที่ใช้

ต่อจากเสียงของผู้หญิงที่ได้รับการอนุมัติ โดยรักษาเอกลักษณ์ของเสียงและสไตล์การบันทึกที่ใกล้ชิดไว้.

การทดสอบอ้างอิงได้ใช้ตัวอย่างการเล่าเรื่องที่ทรงพลังที่สุดเป็นข้อมูลนำเข้าที่ได้รับการอนุมัติ และขอให้สร้างส่วนต่อต่อในลักษณะเดียวกัน โดยยังคงรักษาอัตลักษณ์ของผู้หญิงและสไตล์การบันทึกที่ใกล้ชิด.

ทั้งสองผลลัพธ์พูดส่วนต่อตามที่ขอได้อย่างถูกต้อง แต่ไม่มีผลลัพธ์ใดที่ตรงกับต้นแบบได้ดี ผลลัพธ์แรกเปลี่ยนเป็นเสียงกระซิบที่เต็มไปด้วยลมหายใจ และได้รับคะแนนความคล้ายคลึงของเสียงแบบอนุรักษ์นิยมที่ 2/5 ส่วนผลลัพธ์ที่สองถูกประเมินว่าใช้เสียงชาย ได้รับคะแนนความคล้ายคลึงที่ 1/5 และเพิ่มเสียงเอฟเฟกต์ที่ไม่ต้องการประมาณ 17 วินาทีก่อนที่จะเริ่มพูด.

ที่นี่มีข้อจำกัดสำคัญเกี่ยวกับสถานที่ทำงาน จุดปลายทางของงาน Anywhere รับค่าในฟิลด์ reference ได้ แต่ไม่ส่งคืนการยืนยันที่แสดงว่าโมเดลต้นทางใช้ค่าอ้างอิงนั้นอย่างไร ผลลัพธ์เหล่านี้พิสูจน์ว่าความต่อเนื่องของค่าอ้างอิงไม่น่าเชื่อถือผ่านเส้นทางทดสอบของเรา แต่ไม่ได้พิสูจน์ว่า API ดั้งเดิมของ BytePlus จะทำงานในลักษณะเดียวกันเสมอไป.

ราคาและข้อจำกัดของ Seed Audio 1.0

BytePlus ระบุราคาบริการแบบจ่ายตามการใช้งานอย่างเป็นทางการที่ $0.15 ต่อนาทีที่ผลิตได้, คิดค่าบริการตามวินาที, พร้อมด้วย 60 นาทีทดลองใช้ฟรี เมื่อบริการถูกเปิดใช้งาน เอกสาร API กำหนดว่า กำลังสูงสุด 120 วินาที, รองรับคำสั่งได้สูงสุดถึง 3,000 ตัวอักษร, อนุญาตให้ใช้ได้สูงสุดถึง คลิปเสียงตัวอย่างสามคลิป, และรับภาพอ้างอิงหนึ่งภาพ.

คลิปเสียงอ้างอิงแต่ละคลิปสามารถมีความยาวสูงสุด 30 วินาที และขนาดสูงสุด 10 MB ส่วนภาพอ้างอิงมีขนาดสูงสุด 10 MB นี่เป็นขีดจำกัดที่กำหนดโดย BytePlus เอง; แพลตฟอร์มของบุคคลที่สามอาจมีแบบฟอร์มการป้อนข้อมูลที่เล็กกว่า หรือใช้ระบบราคาที่ต่างออกไป.

เส้นทางทดสอบ Anywhere/BrolyAI ของเราแสดงค่าใช้จ่ายด้านต้นทางอย่างแยกต่างหาก และเฉลี่ยอยู่ที่ประมาณ $0.14 ต่อนาทีที่สร้างขึ้น สนามข้อมูลในสภาพแวดล้อมการทดสอบนี้ไม่ควรถูกเข้าใจผิดว่าเป็นราคาขายปลีกของ BytePlus หรือราคาสุดท้ายของแพลตฟอร์มอื่น.

ข้อดีและข้อเสียของ Seed Audio 1.0

ข้อดี

• สร้างเสียงพูด เสียงบรรยากาศ เสียงเอฟเฟกต์ (Foley) และเพลงในขั้นตอนเดียว.
• ผลการทดสอบซ้ำหลายครั้งแสดงให้เห็นว่าจังหวะการสนทนาดีมาก.
• การแยกเสียงระหว่างลำโพงสองตัวที่ชัดเจน และการจัดการสคริปต์อย่างแม่นยำ.
• สร้างเพลงภาพยนตร์แบบสแตนด์อโลนที่มีประโยชน์.
• รักษาเอกลักษณ์ของเสียงและความต่อเนื่องของเรื่องราวตลอดระยะเวลาสองนาที.
• ส่งสัญญาณ WAV สเตอริโอความถี่ 40 kHz ที่ชัดเจนผ่านเส้นทางทดสอบของเรา.

ข้อเสีย

• ผลลัพธ์จากการทำซ้ำอาจแตกต่างกันอย่างมากทั้งในด้านความสมจริงและความน่าเชื่อถือ.
• บางครั้งอาจมีอาการพูดเพ้อหรือพูดไม่ชัดเจน.
• การนับจำนวน SFX ที่แม่นยำนั้นไม่น่าเชื่อถือ.
• บางฉากที่เสร็จสมบูรณ์แล้วขาดเหตุการณ์สุดท้ายที่ขอไว้.
• ประสิทธิภาพในการใช้หลายภาษาจำเป็นต้องได้รับการตรวจสอบอย่างละเอียด.
• ความต่อเนื่องของเสียงอ้างอิงในสภาพแวดล้อมการทดสอบของเราไม่ดี.
• การส่งงานแบบขนานในปริมาณมากได้ก่อให้เกิดข้อผิดพลาดด้านความพร้อมกันในขั้นตอนต้นทาง แม้ว่างานที่ล้มเหลวจะไม่ถูกคิดค่าบริการ.

ใครควรใช้ Seed Audio 1.0?

Seed Audio 1.0 เป็นตัวเลือกที่เหมาะอย่างยิ่งสำหรับผู้สร้างเสียงที่คิดในรูปของฉากแทนที่จะคิดในรูปขององค์ประกอบที่แยกกัน มันมีประโยชน์เป็นพิเศษสำหรับละครวิทยุ บทสนทนาในเกม แบบต้นแบบภาพยนตร์ สตอรีบอร์ดเสียง แนวคิดสำหรับพอดแคสต์ และเพลงประกอบสั้นๆ ที่สร้างความตึงเครียด.

ระบบนี้อาจไม่น่าเชื่อถือนักเมื่อใช้เป็นระบบส่งมอบขั้นสุดท้ายด้วยการคลิกเพียงครั้งเดียว หากคำพูดที่แม่นยำ ตัวตนของเสียง หรือจำนวนเหตุการณ์มีความสำคัญทางกฎหมายหรือด้านสร้างสรรค์ ให้วางแผนสำหรับการสร้างซ้ำหลายครั้งและการตรวจสอบโดยมนุษย์ โมเดลนี้ทำงานได้ดีที่สุดเมื่อคุณมองมันเป็นผู้กำกับเสียงที่รวดเร็วซึ่งมีหลายเทค — ไม่ใช่เครื่องมือเรนเดอร์แบบกำหนดผลลัพธ์ล่วงหน้า.

คำตัดสินสุดท้าย

Seed Audio 1.0 เป็นโมเดลเสียงแบบรวมที่น่าสนใจอย่างแท้จริง ความสามารถในการสร้างเสียงพูด เสียงเอฟเฟกต์ เสียงบรรยากาศ และดนตรีที่สมจริงจากคำสั่งเดียวนั้นไม่ใช่เพียงคำโฆษณาในการเปิดตัวเท่านั้น: การทดสอบฉากผสมและดนตรีของเราแสดงให้เห็นว่าองค์ประกอบต่าง ๆ สามารถทำงานร่วมกันได้อย่างมีประสิทธิภาพ.

จุดเด่นที่สุดของโมเดลนี้คือจังหวะการพูด ส่วนจุดอ่อนที่ใหญ่ที่สุดคือความสม่ำเสมอ จากตัวอย่างทั้งหมด 23 ตัวอย่าง โมเดลนี้แสดงให้เห็นซ้ำแล้วซ้ำเล่าว่าในบางกรณีให้ผลลัพธ์ที่ดีที่สุดอย่างยอดเยี่ยม แต่ในบางกรณีอื่น ๆ กลับมีผลลัพธ์ที่อ่อนกว่าอย่างเห็นได้ชัด.

สำหรับการสร้างต้นแบบแบบสร้างสรรค์ การแลกเปลี่ยนนี้สามารถยอมรับได้ง่าย สร้างหลายเวอร์ชัน เลือกเวอร์ชันที่ดีที่สุด และตรวจสอบทุกผลลัพธ์ สำหรับการผลิตแบบกำหนดแน่นอน การจับคู่เสียงที่แม่นยำ หรืองานที่ให้ความสำคัญกับจำนวนเหตุการณ์ ให้คงขั้นตอนการตรวจสอบและแก้ไขโดยมนุษย์ไว้ในกระบวนการทำงาน.

คำตัดสินโดยรวม: Seed Audio 1.0 เป็นหนึ่งในโปรแกรมสร้างเสียงระดับฉากที่มีประสิทธิภาพสูงที่สุดที่เราเคยทดสอบมา แต่ควรใช้มันเป็นเครื่องมือสร้างสรรค์แบบหลายเทคมากกว่าที่จะใช้เป็นเครื่องมือเรนเดอร์ขั้นสุดท้ายแบบครั้งเดียว.