seedaudio 工具(命令名 seedaudio-cli)基于火山引擎豆包语音合成大模型 2.0,提供文本转语音(TTS)能力,并包含一套“为听而写”的文本规范化方法。
用途
seedaudio 面向两类任务:一是将面向眼睛阅读的文本改写成适合耳朵听的合成文本(数字、符号、缩写展开,停顿标点控制,多音字处理,情感语气标注);二是通过 seedaudio-cli 将改写后的文本合成为音频文件保存到本地。完整流程为:用户提供文本或意图 → 改写为可听文本并选择音色/语气 → 运行 CLI → 音频保存到本地(多角色对话自动拼接)。
主要能力
- 单段/整段合成:使用
synthesize命令,支持短文本(-p)或长文本文件(--text-file),流式接口单次请求可合成数千汉字(实测 4000+ 汉字约 14 分钟音频),普通文章/章节无需分段。 - 多角色对话配音:使用
dialogue命令,通过剧本文件(每行“角色: 台词”)和角色-音色映射,逐行按角色音色合成并拼接,支持为每个角色指定语气指令。 - 音色选择:
voices命令可查询精选音色子集,支持按语言、关键词搜索;config命令管理多 profile 配置(API Key、默认音色等)。 - 情感与语气控制:通过
--instruct传入自然语言指令(底层为 context_texts),如“用特别开心、撒娇的语气说”。官方音色可直接使用,复刻音色需配合-m seed-tts-2.0-expressive。 - 参数调节:支持语速(-50~100)、音量(-50~100)、音调(-12~12)、句尾留白(
--silence-ms)、编码格式(mp3/wav/pcm/ogg_opus)、采样率(8000–48000 Hz)等。 - 字幕时间戳:
--subtitle生成字级时间戳 JSON 文件,用于字幕对齐,仅 2.0 音色且仅中英文支持。 - 生成式音频(create):底层为另一套模型 seed-audio-1.0,用于音效、环境音、非语音等 TTS 无法完成的需求(≤120 秒),需单独开通和计费,结果有波动,默认不启用,需用户主动选择。
- 文本规范化方法:将数字(3.14→“三点一四”)、金额单位($5→“五美元”)、符号(&→“和”)、英文缩写(API→按字母读)等改写为读法,用标点控制停顿,处理多音字,并透明披露修改。
- SSML 支持:中英文音色可通过
--ssml使用 SSML 标签(如<break time="400ms"/>、<say-as>、<prosody>)精确控制停顿和读法。
使用方式
- 安装:
uv tool install zjandrew-seedaudio-cli或pipx install zjandrew-seedaudio-cli。 - 配置鉴权:设置环境变量
SEEDAUDIO_API_KEY(语音技术控制台的 API Key,非视频 ARK_API_KEY),或运行seedaudio-cli config init向导配置。 - 基本合成示例:
seedaudio-cli synthesize -p "你好,欢迎使用豆包语音合成" --voice zh_female_vv_uranus_bigtts --out hello.mp3 - 长文本:
seedaudio-cli synthesize --text-file chapter1.txt --voice zh_male_yangguangqingnian_uranus_bigtts --out ch1.mp3 - 多角色对话:
seedaudio-cli dialogue --script play.txt --voice 旁白=zh_male_xuanyijieshuo_uranus_bigtts --voice 小美=zh_female_wenrouxiaoya_uranus_bigtts --out play.mp3 - 全局参数(如
--dry-run、--jq、--profile)需放在子命令之前。
适用场景
- 有声书、旁白、章节朗读;
- 新闻播报、信息播报;
- 广告、营销配音(配合情感指令);
- 多角色广播剧、对话配音;
- 需要字幕时间戳的视频配音;
- 长文一次性转音频。
限制
- 仅支持语音合成(TTS),不支持语音识别(ASR)。
- 书本级超长文本(上万字)需使用官方异步长文本接口,本 CLI 暂未封装。
- 生成式音频 create 需单独开通 seed-audio-1.0 并计费,效果有波动,默认不启用。
- 字幕时间戳仅 2.0 音色且仅中英文支持。
- SSML 仅中英文音色支持。
- 音色列表为精选子集,权威清单需查看控制台音色库。
- CLI 无法“听”音频,只能验证文件存在、大小,时长需借助 ffprobe 等工具。
- 计费按合成文本字数(usage.text_words,含标点),指令文本不计费。
- 复刻音色使用语气指令需指定
-m seed-tts-2.0-expressive。 - 同一段对话中同一角色不应更换音色。