Seed Audio 1.5: překlad a dabing videa stejným hlasem
Jeden model pro hlas, zvukové efekty i hudbu, řízený vaším videem
Seed Audio 1.5 je nový zvukový model od ByteDance. Vezme video, poslechne si ho a napíše k němu novou zvukovou stopu: stejný vypravěč mluvící japonsky, dabing, který sedí na obraz, nebo hlas, hudba a efekty rozdělené do samostatných stop. V předběžném přístupu jsme s ním přeložili 9minutový animovaný film do 12 jazyků. Přeložit video můžete i do češtiny. Tady je, co model zvládl, kde zaváhal a jak dosáhnout stejného výsledku.
Doitong je nezávislá platforma a není nijak spojená se společností ByteDance.
Náš test: jeden film, 12 jazyků, stejný vypravěč
Vzali jsme „The Last Ordinary Day in Pompeii“, 9minutový animovaný historický film s anglickým komentářem, a pro každý jazyk jsme ho jednou prohnali překladem videa v Seed Audio 1.5. Spusťte video a v Nastavení → Zvuková stopa přepínejte mezi anglickým originálem a 12 překlady.
Zvukové stopy tohoto videa: angličtina (originál) a dále ruština, němčina, francouzština, španělština (Španělsko), italština, japonština, korejština, nizozemština, švédština, dánština, norština a finština.
- Délka filmu
- 9:00
- Jazyky
- 12
- Doba jednoho požadavku
- 2,6–3,3 min
- Rozdíl v délce
- < 0,03 s
Jak jsme test provedli
Čísla výše pocházejí z našich vlastních logů, ne z tiskové zprávy. Pokud chcete test zopakovat, záleží na třech detailech.
Střih v pauze
Jeden požadavek přijme video dlouhé 4 až 360 sekund, takže 9minutový film šel dovnitř ve dvou částech, rozstřižených v přirozené pauze: 4:43 a 4:17. Dvanáct jazyků znamenalo 24 požadavků a každý se vrátil za 157 až 200 sekund.
Délka seděla
Každá přeložená část se vrátila stejně dlouhá jako originál. První část měla 283,26 sekundy proti 283,29 u zdroje, druhá 256,83 proti 256,83 a v každém jazyce byly hodnoty stejné. Nový komentář zapadl na obraz bez jakéhokoli upravování časování.
Poslali jsme jen hlas
Modelu jsme dali komentář bez hudby a vlastní hudbu a efekty jsme k němu namíchali až poté. Zachování hudby a efektů přímo v překladu je u modelu uváděná funkce, ale tento konkrétní test se na ni nespoléhal.
Co Seed Audio 1.5 umí
Verze 1.5 je první model Seed Audio, který přijímá video. Právě tahle jedna změna otevírá většinu úloh níže.
Překlad videa stejným hlasem
Z angličtiny nebo čínštiny do 30 jazyků. Hlas si zachová charakter mluvčího, původní efekty a hudba na pozadí zůstanou na místě a mění se jen řeč.
Dabing videa podle popisu
Zadejte video a popište, co má být slyšet: repliky, hlasy, efekty, hudbu. Model napíše zvuk, který sleduje obraz. Scénář za vás ale nevymyslí.
Rozdělení zvuku na stopy
Nahrajte zvukový soubor a dostanete zpět hlasy, efekty a hudbu jako samostatné stopy, až šest, připravené pro mixování.
Ozvučení němého záběru
Požádejte o atmosféru, kroky, dveře, hudební podkres a každý zvuk umístěte na časovou osu pomocí časových značek v promptu.
Klonování hlasu
Až šest referenčních nahrávek o délce 2 až 30 sekund určuje barvu hlasu. Zkombinujte referenci s videem a dabing zazní tímto hlasem.
Písně s texty
Hudba dlouhá až šest minut podle textového zadání, se zpívaným textem v angličtině, čínštině, japonštině, korejštině nebo kantonštině.
Limity Seed Audio 1.5
Limity z integračního průvodce ByteDance pro předběžný přístup. Ověřte si je dřív, než video rozstříháte.
| Vstup | Limit |
|---|---|
| Délka videa | 4–360 sekund na požadavek |
| Formáty videa | MP4, MOV |
| Rozlišení videa | 480p, 720p nebo 1080p |
| Velikost video souboru | Až 200 MB |
| Referenční nahrávky hlasu | Až 6, každá 2–30 s, celkem 180 s |
| Zvuk pro oddělení stop | Jeden soubor, 2–360 s, až 90 MB, WAV nebo MP3 |
| Výstup | Hodnota |
|---|---|
| Nejdelší zvuk na požadavek | 6 minut |
| Oddělené stopy | Až 6 |
| Formáty | WAV (výchozí), MP3, PCM, OGG Opus |
| Výchozí vzorkovací frekvence | 44,1 kHz |
| Jazyky řeči | 30 |
| Zdroj pro překlad videa | Angličtina nebo čínština, případně automatická detekce |
Zdroj: integrační průvodce ByteDance k předběžnému přístupu k Seed Audio 1.5, říjen 2026. Limity se mohou po vydání změnit.
30 jazyků
Seed Audio 1.5 mluví těmito jazyky. Překlad videa jde z angličtiny nebo čínštiny do kteréhokoli z nich.
Zpívané texty v písních podporuje menší sada jazyků: angličtina, čínština, japonština, korejština a kantonština.
Prompty, které fungují
Prompty nechte v angličtině, model s ní pracuje nejlépe. Průvodce ByteDance popisuje tři úrovně: prostý popis, scénář určující pořadí událostí a časovou osu s přesnými sekundami. Začněte jednoduše a časové značky přidávejte jen tam, kde záleží na načasování.
Jednoduchý komentář
Generate only this speaker as dry, close-miked speech. No music, no sound effects, no room reverb, no second speaker. A calm adult female voice at a steady pace reads: “Most people in Pompeii woke up that morning expecting an ordinary day.”
Nejdřív omezení, pak hlas, nakonec přesná slova. Říct, co se objevit nesmí, je stejně důležité jako říct, co má zaznít.
Scéna s časováním
[0.0s:12.0s] Soft market ambience under the whole scene. [0.5s:1.5s] A wooden cart rolls past. [2.0s:6.5s] An old man, warm and unhurried, says: “Bread, still warm from the oven.” [7.0s:12.0s] A low drum rumble rises in the distance.
Časové značky umístí každý zvuk na časovou osu, takže zvuk zapadne do střihů, které už máte hotové.
Na co si dát pozor
S čím jsme se setkali při testování a co dokumentace uvádí jasně.
- Jména a vzácná slova se mezi pokusy mohou lišit. V ruském překladu našeho druhého testovacího filmu, odehrávajícího se v Londýně roku 1666, vyšlo špatně staré slovo pro říční loď na Temži a jedna z postav změnila tvar jména. Překlad videa přijímá glosář, takže jména před spuštěním vypište.
- Dabing potřebuje popis. Seed Audio 1.5 samo nepíše repliky; řekněte mu, co zaznívá a co je slyšet.
- Vytváří zvuk, ne pohyb rtů. Přeložený hlas drží časování originálu, ale ústa na obrazovce se nepřekreslují.
- Jeden požadavek pokryje nejvýš 6 minut. Delší videa je nutné rozdělit a střih uprostřed věty je slyšet, proto stříhejte v pauze.
- Překlad videa vychází z angličtiny nebo čínštiny. Video v jiném jazyce nelze přeložit přímo.
- Klonujte jen hlasy, které máte právo použít.
Časté otázky k Seed Audio 1.5
Co je Seed Audio 1.5?
Seed Audio 1.5 je model pro generování zvuku od ByteDance, vydaný 28. října 2026. Vytváří řeč, zvukové efekty i hudbu najednou a je první verzí Seed Audio, která přijímá video, což umožňuje dabing videa a překlad videa stejným hlasem.
Přeloží Seed Audio 1.5 video stejným hlasem?
Ano. Překlad videa namluví řeč v jiném jazyce a zachová charakter hlasu mluvčího, přičemž ponechá původní zvukové efekty a hudbu. V našem testu se 9minutový anglický komentář vrátil ve 12 jazycích, každý stejně dlouhý jako originál.
Které jazyky Seed Audio 1.5 podporuje?
30 jazyků pro řeč, mimo jiné češtinu, angličtinu, čínštinu, japonštinu, korejštinu, španělštinu (Španělsko a Mexiko), portugalštinu (Brazílie a Portugalsko), němčinu, francouzštinu, ruštinu, arabštinu a hindštinu. Překlad videa jde z angličtiny nebo čínštiny do kteréhokoli z těchto 30 jazyků.
Jak dlouhé může video být?
Jeden požadavek přijme video dlouhé 4 až 360 sekund, do 200 MB, v rozlišení 480p, 720p nebo 1080p. Delší film rozdělte v pauzách a části překládejte postupně, jako jsme to udělali s 9minutovým filmem o Pompejích.
Jak dlouho překlad trvá?
V našich testech trvala každá část o délce zhruba čtyři a půl minuty na jazyk 157 až 200 sekund.
Umí Seed Audio 1.5 synchronizaci rtů (lip sync)?
Ne. Generuje zvuk. Přeložený hlas sleduje časování originálu, ale samotné video, včetně pohybu úst, se nemění.
Dokáže oddělit zpěv, hudbu a zvukové efekty?
Ano. Dejte mu zvukový soubor dlouhý až 6 minut a vrátí hlasy, efekty a hudbu jako samostatné stopy, celkem až šest.
Co se změnilo oproti Seed Audio 1.0?
Seed Audio 1.5 přidává vstup videa, který přináší dabing a překlad videa. Dále přidává oddělení stop a hudbu dlouhou až 6 minut, přijímá až šest referenčních nahrávek hlasu, vytvoří až 6 minut zvuku na požadavek a mluví 30 jazyky.
Je Seed Audio 1.5 totéž co Seed Audio 2.0?
Některé weby uvádějí připravovaný model jako Seed Audio 2.0. Dokumentace ByteDance k předběžnému přístupu ho nazývá Seed Audio 1.5 a tento název používáme i my.
Je Doitong spojený se společností ByteDance?
Ne. Doitong je nezávislá platforma pro AI video. K Seed Audio 1.5 jsme měli předběžný přístup a popisujeme tu vlastní výsledky.
Co všechno můžete dělat se Seed Audio 1.5
Dejte svému videu hlas v jiném jazyce
Začněte jedním krátkým záběrem, zkontrolujte jména a pak zpracujte celý film.
Začít v Doitong