Seed Audio 1.0とCosyVoice 2場面生成APIと音声ウェイトを分ける
Seedは声・環境音・効果音を場面で返し、CosyVoice 2は参照話者のTTSを自社で動かす。完成物と実行主体を分けます。
ByteDance Seed、BytePlus、fal、FunAudioLLMの公式資料を2026年10月19日に確認しました。Seed直APIとCosyVoice公開weightsを同じ経路/価格へ統合しません。
公式仕様の比較。生成結果の実測と、公式に記載された機能は分けて紹介します。根拠・検証範囲を見る
この記事の目次
全景音声か話者トラックか
Seed Audio 1.0は音声・効果音・環境音を全景として生成し、BytePlus APIは最大3,000文字・最大120秒です。CosyVoice 2は参照音声を使う公開TTS weightsで、ローカルstreamingを構成します。
場面の雰囲気まで一回に作るならSeed。話者の声とTTSチャンクを自社で保つならCosyVoice 2。統合度・類似度は未測定です。
正式ID・入力・配信・料金を比べる
| 比較軸 | 左側モデル | 右側モデル | 制作で決めること |
|---|---|---|---|
| 役割 | seed-audio-1.0。全景音声。 | CosyVoice2-0.5B。参照話者TTS。 | 場面マスターか声トラックか。 |
| 入力 | 3,000文字、音声3本/画像1枚。 | text、参照音声、zero-shot等。 | 参照と本文を分ける。 |
| 時間/出力 | 100ms timing、最大120秒、HTTP非streaming。 | local streaming/非streaming、vLLM。 | 時間指定とチャンクを別にする。 |
| 更新 | BytePlus/fal route、enum要確認。 | weights、repo commit、GPU。 | routeとcommitを残す。 |
| 価格 | BytePlus地域/契約価格を要確認。 | 共通Hosted単価なし。 | 1分とGPU時間を推測換算しない。 |
CosyVoice2-0.5Bの公式モデルカードはApache-2.0を表示しています。利用するリポジトリ・依存ライブラリのライセンスと、参照音声を使用する権利は別に確認します。
HTTP場面ジョブとローカルwaveを別成果物にする
Seedはmodel、text_prompt、references、audio_config、subtitle、duration、routeを保存します。CosyVoiceはweights取得元、commit、推論クラス、参照wav、mode、stream、GPU、結合waveを保存します。
BytePlus enumの表記揺れをConsoleで確認し、Seedの最大120秒をCosyVoiceへ、CosyVoiceのチャンクをSeed HTTPへ適用しません。
環境音カットとNPC会話
仮の条件（実際の生成結果ではない）
雨・木の軋み・主人公の一言は15秒カットで試し、NPCの長い会話は参照話者を保ちながら自社生成する。
- 雨のカットをSeedのprompt/timingと参照素材で作る。
- NPC会話をCosyVoice2-0.5Bでcommit・参照wav・mode付きで作る。
- 全景音声と話者トラックを同じ品質比較にしない。
- 字幕、音量、開始時刻、権利、再生成版を確認する。
地域APIと自社基盤を分ける
Seed BytePlus料金は地域・契約・リソースパック確認が必要で、一律価格を確定していません。falも別契約です。CosyVoice 2はGPU、保存、監視、更新、再生成を積み上げます。
出典と確認範囲
公式資料を2026-10-19に確認しました。Seed Audio 1.0 vs CosyVoice 2の正式ID、提供経路、入力・演技、参照素材、出力、価格単位を確認しています。音質、発音、感情表現、声の一貫性、遅延、成功率は同条件で測定していません。
- ByteDance Seed｜Seed Audio 1.0 — 声・効果音・環境音を全景として生成、参照音声、20以上の言語、100msタイミング、最大2分の紹介。
- BytePlus Seed Speech｜Audio 1.0 API — 非ストリーミングHTTP、text_prompt最大3,000文字、参照音声最大3本（各30秒/10MB）、画像1枚、最大120秒、出力形式・速度・音量・ピッチ・字幕。本文enumはUpgraded表記、サンプルは
seed-audio-1.0。 - BytePlus Seed Speech｜Audio pricing — Audio 1.0の地域・契約別価格を確認する公式入口。
- fal｜ByteDance Seed Audio 1.0 — partner routeはprompt、参照音声3本、画像1枚、mp3/wav/pcm/ogg_opus、sample_rate、speed/volume/pitch。
- FunAudioLLM｜CosyVoice official repository —
CosyVoice2-0.5Bとv1 weights、zero-shot/cross-lingual/instruct、参照音声、streaming、vLLM、FastAPI/gRPCの公開repo。 - CosyVoice 2 paper — LLMベースのstreaming speech synthesisと参照音声を記録。
- FunAudioLLM｜CosyVoice2-0.5B model card：公開ウェイトのApache-2.0表示。
この条件で制作を相談する
用途・素材・尺・予算・希望時期が決まっている範囲で、株式会社志庵へ相談できます。掲載会社への一斉送信や契約は行いません。