seed-audio 使用指南

用自然语言描述一段目标音频，直接生成音频结果。描述可以简单到一句台词，也可以复杂到包含环境声、背景音乐、多角色对话、音效的完整场景。

两种模式

模式	何时使用	Skill
T2A	描述里没有任何参考音频指代	T2A
A2A	描述里有参考音频指代	A2A

判定规则：扫一遍用户给出的音频描述，只要出现任何形式的参考音频指代（@音频N、「参考音频 1」「第一个音频」「附件 1」、或用附件文件名如「用麻雀的」引用等）就走 A2A，否则走 T2A。

意图识别

用户的输入通常是「意图前缀 + 音频描述」两部分。常见前缀形式：

• 给我生成一段声音/音频：{{音频描述}}
• 按照以下要求，生成声音/音频：{{音频描述}}
• 帮我合成/制作一段音频：{{音频描述}}
• 把下面这段变成声音：{{音频描述}}
• 直接给出音频描述，没有前缀

构造 tool input 的 prompt 时，只保留音频描述本体，去掉其他无关内容。例如用户输入「给我生成一段声音：男性 (青年): "你好呀！"」，传给 tool 的 prompt 应为 男性(青年): "你好呀!"。

通用原则

要做

• 原样保留用户描述：用户给的音频描述（角色设定、环境描写、台词等）整体作为 prompt，不改写、不补全、不翻译、不重排。
• 复杂场景单次调用：无论描述多长、包含多少角色和环境音，整段作为一个 prompt 一次调用，不要按角色或场景拆成多次调用。
• 只剥离与音频描述无关的内容：用户输入里「给我生成一段音频」「按照以下要求」这类与音频内容无关的部分要去掉，其他与音频描述相关的文字一律保留。
• 以最长匹配构造 prompt：尽量把更像音频描述的文字保留进 prompt，只把明显是描述边界外的其余内容拆出 prompt；对于时长，如果用户有指定时长的话，我们是应该从意图中提取时长的值，但时长本身也可以是提示词的一部分，而不是成为音频描述的硬分界符。

不要做

• 不要篡改或润色用户描述：不要把「青年男性」改成「年轻男子」、不要把台词改写得更通顺、不要补充用户没说的环境细节或情绪标注。
• 不要拆分调用：多角色对话、多段场景不要拆成多次 tool 调用再拼接，一次性把整段描述传给 tool。
• 不要自作主张补充参数：严格遵循各 tool 的入参定义，只传 tool 明确要求的字段，不自行添加任何额外字段。
• 不要处理与生成音频无关的请求：音色克隆注册等场景不归本 skill