# ByteDance Seed Audio 1.0

تولید گفتار، موسیقی، جلوه‌های صوتی و گفت‌وگوی چندگوینده از یک پرامپت واحد با ByteDance Seed Audio 1.0. صدا(ها)، احساسات، فضای محیطی، موسیقی پس‌زمینه و جلوه‌های صوتی را در پرامپت توصیف کنید و خطوطی را که باید گفته شوند بگنجانید. به‌صورت اختیاری یک صدای پیش‌فرض داخلی انتخاب کنید، صداها را از حداکثر 3 کلیپ مرجع (با برچسب @Audio1-3 در پرامپت) کلون کنید، یا صدایی را از تصویر یک شخصیت استخراج کنید. حداکثر 2 دقیقه صدا در هر اجرا. مدل چندزبانه از 20 زبان و کنترل زمان‌بندی مبتنی بر برچسب زمانی پشتیبانی می‌کند.

## ورودی‌ها

| پارامتر | توضیحات | نوع داده | الزامی | محدوده |
|-----------|-------------|-----------|----------|-------|
| `text_prompt` | صدا(ها)، احساسات، ریتم کلام، فضای محیطی، موسیقی پس‌زمینه و جلوه‌های صوتی را توصیف کنید و خطوطی را که باید گفته شوند بگنجانید (نام شخصیت‌ها را برای دیالوگ به‌صورت درون‌خطی ذکر کنید). در حالت "audio reference"، به کلیپ‌های متصل‌شده به‌ترتیب با @Audio1، @Audio2، @Audio3 ارجاع دهید. با مدل چندزبانه، یک خط نقل‌شده می‌تواند با یک محدوده برچسب زمانی شروع شود که کنترل می‌کند چه زمانی و چه مدت گفته شود، مثلاً `[5.5s:8.0s] Wait for me!`. پرامپت را به همان زبانی بنویسید که خطوط گفتار هستند. حداقل 1 کاراکتر، حداکثر 3000 کاراکتر. | STRING | بله | 1 تا 3000 کاراکتر |
| `reference_mode` | نحوه شرطی‌سازی صدا: "text only" (همه‌چیز را در پرامپت توصیف کنید)، "audio reference" (کلون کردن حداکثر 3 صدا، با برچسب @Audio1-3)، "image reference" (استخراج صدا از یک تصویر شخصیت)، یا "preset voice" (انتخاب یک صدای نام‌دار داخلی که پرامپت را می‌خواند). | COMBO | بله | `"text only"`<br>`"audio reference"`<br>`"image reference"`<br>`"preset voice"` |
| `reference_audio_1` | کلیپ مرجع برای کلون کردن صدا، با برچسب @Audio1 در پرامپت. حداکثر 30 ثانیه. فقط زمانی در دسترس است که `reference_mode` برابر "audio reference" باشد. | AUDIO | خیر | حداکثر 30 ثانیه |
| `reference_audio_2` | کلیپ مرجع با برچسب @Audio2 در پرامپت. حداکثر 30 ثانیه. فقط زمانی در دسترس است که `reference_mode` برابر "audio reference" باشد. | AUDIO | خیر | حداکثر 30 ثانیه |
| `reference_audio_3` | کلیپ مرجع با برچسب @Audio3 در پرامپت. حداکثر 30 ثانیه. فقط زمانی در دسترس است که `reference_mode` برابر "audio reference" باشد. | AUDIO | خیر | حداکثر 30 ثانیه |
| `reference_image` | یک تصویر شخصیت؛ مدل از آن صدا استخراج می‌کند. نمی‌تواند با صدای مرجع ترکیب شود. فقط زمانی در دسترس است که `reference_mode` برابر "image reference" باشد. | IMAGE | خیر | - |
| `preset_voice` | یک صدای داخلی TTS 2.0 که پرامپت را می‌خواند. نیازی به کلیپ مرجع نیست، و برچسب‌های @AudioN در این حالت استفاده نمی‌شوند. زمانی الزامی است که `reference_mode` برابر "preset voice" باشد. | COMBO | خیر | چندین گزینه صدای پیش‌فرض داخلی (به‌طور پیش‌فرض اولین گزینه انتخاب می‌شود) |
| `sample_rate` | نرخ نمونه‌برداری خروجی بر حسب هرتز. (پیش‌فرض: "24000") | COMBO | بله | `"8000"`<br>`"16000"`<br>`"24000"`<br>`"32000"`<br>`"44100"`<br>`"48000"` |
| `speech_rate` | سرعت گفتار. 0 = عادی، 100 = 2.0x، -50 = 0.5x. (پیش‌فرض: 0) | INT | بله | -50 تا 100 |
| `loudness_rate` | بلندی صدا. 0 = عادی، 100 = 2.0x، -50 = 0.5x. (پیش‌فرض: 0) | INT | بله | -50 تا 100 |
| `pitch_rate` | تغییر زیروبمی بر حسب نیم‌پرده (-12 تا 12). (پیش‌فرض: 0) | INT | بله | -12 تا 12 |
| `seed` | بذر کنترل می‌کند که آیا گره باید دوباره اجرا شود؛ نتایج بدون توجه به بذر غیرقطعی هستند. (پیش‌فرض: 42) | INT | بله | 0 تا 2147483647 |
| `مدل` | نسخه مدل. `seed-audio-1.0-multilingual` از 20 زبان و کنترل زمان‌بندی هر جمله از طریق برچسب‌های زمانی `[5.5s:8.0s]` پشتیبانی می‌کند. `seed-audio-1.0` فقط از انگلیسی و چینی پشتیبانی می‌کند، بدون کنترل زمان‌بندی. (پیش‌فرض: "seed-audio-1.0-multilingual") | COMBO | خیر | `"seed-audio-1.0-multilingual"`<br>`"seed-audio-1.0"` |

### محدودیت‌های پارامتر

- **وابستگی‌های حالت مرجع**: پارامتر `reference_mode` تعیین می‌کند که کدام ورودی‌های دیگر الزامی هستند:
  - **"text only"**: هیچ ورودی اضافه‌ای لازم نیست. پرامپت نباید شامل برچسب‌های @AudioN باشد.
  - **"audio reference"**: حداقل یکی از `reference_audio_1`، `reference_audio_2` یا `reference_audio_3` باید متصل باشد. کلیپ‌های مرجع باید به‌ترتیب و بدون شکاف متصل شوند. حداکثر مدت هر کلیپ 30 ثانیه است. اگر از برچسب‌های @AudioN در پرامپت استفاده شود، بالاترین شماره برچسب نباید از تعداد کلیپ‌های مرجع متصل‌شده بیشتر باشد.
  - **"image reference"**: اتصال `reference_image` الزامی است. از برچسب‌های @AudioN استفاده نمی‌شود؛ پرامپت باید فقط شامل متن برای سنتز باشد.
  - **"preset voice"**: انتخاب یک صدای پیش‌فرض الزامی است. کل پرامپت با صدای انتخاب‌شده خوانده می‌شود؛ برچسب‌های @AudioN به‌عنوان مرجع استفاده نمی‌شوند و برچسب‌هایی مانند @Audio2 یا بالاتر رد می‌شوند.

- **ترتیب مرجع صوتی**: در حالت "audio reference"، ورودی‌های صدای مرجع باید به‌صورت متوالی از `reference_audio_1` و بدون شکاف متصل شوند. برای مثال، می‌توانید `reference_audio_1` و `reference_audio_2` را متصل کنید، اما بدون `reference_audio_2` نمی‌توانید `reference_audio_1` و `reference_audio_3` را متصل کنید.

- **حداکثر برچسب‌های صوتی**: در حالت "audio reference"، حداکثر 3 کلیپ مرجع می‌توانند متصل شوند (@Audio1، @Audio2، @Audio3)، و بالاترین برچسب @AudioN در پرامپت نمی‌تواند از تعداد ورودی‌های صدای مرجع متصل‌شده بیشتر باشد.

- **تفاوت‌های مدل**: مدل `seed-audio-1.0-multilingual` از 20 زبان (انگلیسی، چینی، ژاپنی، کره‌ای، اسپانیایی مکزیکی و کاستیلی، اندونزیایی، آلمانی، پرتغالی برزیلی، فرانسوی، تایلندی، ویتنامی، مالایی، فیلیپینی، ایتالیایی، روسی، هلندی، لهستانی، ترکی، سوئدی) به‌همراه کنترل زمان‌بندی هر جمله با استفاده از برچسب‌های زمانی در قالب `[5.5s:8.0s]` پشتیبانی می‌کند. مدل `seed-audio-1.0` فقط از انگلیسی و چینی پشتیبانی می‌کند، بدون کنترل زمان‌بندی.

## خروجی‌ها

| نام خروجی | توضیحات | نوع داده |
|-------------|-------------|-----------|
| `AUDIO` | خروجی صوتی تولیدشده توسط ByteDance Seed Audio 1.0، شامل گفتار، موسیقی، جلوه‌های صوتی، یا گفت‌وگوی چندگوینده طبق توضیحات پرامپت. | AUDIO |

> این مستند با هوش مصنوعی تهیه شده است. اگر خطایی دیدید یا پیشنهادی برای بهبود دارید، خوشحال می‌شویم مشارکت کنید! [ویرایش در GitHub](https://github.com/Comfy-Org/embedded-docs/blob/main/comfyui_embedded_docs/docs/ByteDanceSeedAudio/fa.md)

---
**Source fingerprint (SHA-256):** `e86e4edde424b4427d864350a9d3b082e271fbd2b1e335175637a9cc3ad51163`
