Seed Audio 1.0: Texto + Imagen a Audio
Sube una imagen de personaje y escribe un prompt de texto para generar audio. El modelo deriva la voz a partir de tu imagen y luego produce voz, ambiente, música de fondo y efectos de sonido.
Acerca de
Este flujo de trabajo convierte una imagen de personaje y un prompt de texto en un clip de audio completamente mezclado con voz, ambiente, música de fondo y efectos de sonido. El nodo central es ByteDanceSeedAudio (Seed Audio 1.0), que acepta tu imagen desde LoadImage como referencia visual para derivar una identidad vocal coincidente, y luego sintetiza el guion hablado y las capas de soporte descritas en tu prompt. La salida se guarda con SaveAudioAdvanced, así que sales de ComfyUI con un archivo de audio listo para compartir.
Lo que proporcionas
- Leyendo el flujo de trabajo
Se ejecuta en ComfyUI. Este flujo de trabajo no puede ejecutarse en esta página. Ábrelo en Comfy Cloud con todo cargado o descárgalo para tu propio ComfyUI.
Probar en CloudPreguntas y respuestas
La imagen condiciona el modelo para inferir una identidad vocal adecuada (por ejemplo, timbre y estilo) para el personaje. Usa un retrato limpio, de un solo sujeto, con buena iluminación y sin obstrucciones para resultados más estables y consistentes.
Contrólalos mediante el prompt de texto—sé explícito sobre el ambiente, instrumentos, intensidad y ubicación (ejemplo: piano suave de fondo, trueno distante, ambiente de cafetería tranquilo). El modelo genera una sola pista mezclada; este flujo no proporciona stems separados.
Mantén la misma imagen y prompt, y si el nodo expone un parámetro de semilla, fíjalo para reproducir una toma. Para explorar alternativas, cambia la semilla o haz pequeños ajustes al prompt (ritmo, emoción, estilo musical) y vuelve a ejecutar.
Depende de tu versión del nodo ByteDanceSeedAudio. Algunas variantes requieren credenciales de API o configuración adicional de modelo. Abre el nodo, revisa sus campos y sigue las notas de instalación de la extensión antes de ejecutar el grafo.