Seed Audio 1.5: oversæt og dub video med samme stemme
Én model til stemme, lydeffekter og musik, styret af din video
Seed Audio 1.5 er ByteDances nye lydmodel. Den tager en video, lytter til den og skriver et nyt soundtrack: den samme fortæller, der taler japansk, en dubbing der følger billedet, eller stemme, musik og effekter trukket ud på hver sit spor. Vi brugte den i early access til at oversætte en animeret film på 9 minutter til 12 sprog. Her er, hvad den kunne, hvor den smuttede, og hvordan du får samme resultat. Du kan også oversætte til dansk.
Doitong er en uafhængig platform og er ikke tilknyttet ByteDance.
Vores test: én film, 12 sprog, den samme fortæller
Vi tog “The Last Ordinary Day in Pompeii”, en animeret historiefilm på 9 minutter med engelsk fortællerstemme, og kørte den gennem videooversættelse i Seed Audio 1.5 én gang pr. sprog. Afspil videoen, og åbn Indstillinger → Lydspor for at skifte mellem den engelske original og de 12 oversættelser. Du kan vælge det danske lydspor her.
Lydspor på denne video: engelsk (original) samt russisk, tysk, fransk, spansk (Spanien), italiensk, japansk, koreansk, hollandsk, svensk, dansk, norsk og finsk.
- Filmens længde
- 9:00
- Sprog
- 12
- Tid pr. forespørgsel
- 2,6–3,3 min.
- Længdeforskel
- < 0,03 s
Sådan kørte vi testen
Tallene ovenfor stammer fra vores egne logs, ikke fra en pressemeddelelse. Tre detaljer er vigtige, hvis du vil gentage testen.
Del ved en pause
Én forespørgsel accepterer en video på 4 til 360 sekunder, så filmen på 9 minutter blev sendt ind i to dele, klippet ved en naturlig pause: 4:43 og 4:17. Tolv sprog gav 24 forespørgsler, og hver enkelt kom tilbage efter 157 til 200 sekunder.
Længden holdt
Hver oversat del kom tilbage i samme længde som originalen. Del ét kom tilbage på 283,26 sekunder mod 283,29 for kilden, del to på 256,83 mod 256,83, og tallene var de samme på alle sprog. Den nye fortællerstemme faldt på plads i billedet uden at skulle tidsjusteres.
Vi sendte kun stemmen
Vi gav modellen fortællerstemmen uden musik og mixede vores egen musik og effekter på bagefter. At bevare musik og effekter i oversættelsen er en erklæret funktion i modellen, men netop denne test byggede ikke på den.
Hvad Seed Audio 1.5 kan
Version 1.5 er den første Seed Audio-model, der tager imod video. Den ene ændring åbner for de fleste af opgaverne herunder.
Oversæt en video med samme stemme
Fra engelsk eller kinesisk til 30 sprog. Stemmen bevarer talerens karakter, og de oprindelige effekter og baggrundsmusikken forbliver, mens kun talen skifter.
Dub en video ud fra en beskrivelse
Giv den en video, og beskriv, hvad der skal høres: replikkerne, stemmerne, effekterne, musikken. Den skaber lyd, der følger billedet. Manuskriptet finder den ikke selv på.
Del lyd op i stems
Giv den en lydfil, og få stemmer, effekter og musik tilbage som separate spor, op til seks, klar til mixing.
Læg lyd på et stumt klip
Bed om atmosfære, fodtrin, en dør, et musikleje, og placér hver lyd på tidslinjen med tidsstempler i prompten.
Klon en stemme
Op til seks referenceklip på 2 til 30 sekunder hver fastlægger klangen. Kombinér en reference med en video, så bliver dubbingen talt med den stemme.
Skriv sange med tekst
Musik på op til seks minutter ud fra en tekstbeskrivelse, med sunget tekst på engelsk, kinesisk, japansk, koreansk eller kantonesisk.
Grænser i Seed Audio 1.5
Grænser fra ByteDances integrationsguide til early access. Tjek dem, før du klipper din video.
| Input | Grænse |
|---|---|
| Videolængde | 4–360 sekunder pr. forespørgsel |
| Videoformater | MP4, MOV |
| Videoopløsning | 480p, 720p eller 1080p |
| Videofilens størrelse | Op til 200 MB |
| Referenceklip til stemme | Op til 6, 2–30 s hver, i alt 180 s |
| Lyd til stem-separation | Én fil, 2–360 s, op til 90 MB, WAV eller MP3 |
| Output | Værdi |
|---|---|
| Længste lyd pr. forespørgsel | 6 minutter |
| Stem-spor | Op til 6 |
| Formater | WAV (standard), MP3, PCM, OGG Opus |
| Standard samplingrate | 44,1 kHz |
| Sprog til tale | 30 |
| Kildesprog til videooversættelse | Engelsk eller kinesisk, eller registreres automatisk |
Kilde: ByteDances integrationsguide til early access for Seed Audio 1.5, oktober 2026. Grænserne kan ændre sig efter udgivelsen.
30 sprog
Seed Audio 1.5 taler disse sprog. Videooversættelse går fra engelsk eller kinesisk til et hvilket som helst af dem.
Sangtekster understøttes i et mindre udvalg: engelsk, kinesisk, japansk, koreansk og kantonesisk.
Prompts der virker
ByteDances promptguide beskriver tre niveauer: en almindelig beskrivelse, et manuskript der fastlægger rækkefølgen, og en tidslinje med præcise sekunder. Start enkelt, og tilføj kun tidsstempler, hvor timingen betyder noget. Prompts står på engelsk, fordi modellen følger engelske anvisninger bedst.
En almindelig voiceover
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.”
Først begrænsningerne, så stemmen, så de præcise ord. At sige, hvad der ikke må være med, er lige så vigtigt som at sige, hvad der skal.
En tidsstyret scene
[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.
Tidsstempler placerer hver lyd på tidslinjen, så lyden passer til de klip, du allerede har lavet.
Hvad du skal være opmærksom på
Ting vi stødte på i testen, og ting dokumentationen er tydelig omkring.
- Navne og sjældne ord kan svinge fra optagelse til optagelse. I den russiske oversættelse af vores anden testfilm, der foregår i London i 1666, blev det gamle ord for en Themsen-færge udtalt forkert, og en persons navn skiftede form. Videooversættelse accepterer en ordliste, så skriv navnene ind, før du kører den.
- Dubbing kræver en beskrivelse. Seed Audio 1.5 skriver ikke replikker på egen hånd; fortæl den, hvad der bliver sagt, og hvad der skal høres.
- Den laver lyd, ikke læbebevægelser. En oversat stemme bevarer originalens timing, men munden på skærmen bliver ikke tegnet om.
- Én forespørgsel dækker op til 6 minutter. Længere videoer skal deles, og et klip midt i en sætning kan høres, så klip ved en pause.
- Videooversættelse tager udgangspunkt i engelsk eller kinesisk. En video på et andet sprog kan ikke oversættes direkte.
- Klon kun stemmer, du har ret til at bruge.
Ofte stillede spørgsmål om Seed Audio 1.5
Hvad er Seed Audio 1.5?
Seed Audio 1.5 er en lydgenereringsmodel fra ByteDance, udgivet 28. oktober 2026. Den skaber tale, lydeffekter og musik i ét hug og er den første Seed Audio-version, der tager imod video. Det er det, der gør videodubbing og videooversættelse med samme stemme mulig.
Kan Seed Audio 1.5 oversætte en video med samme stemme?
Ja. Videooversættelse lægger en ny stemme på talen på et andet sprog, mens talerens stemmekarakter bevares, og de oprindelige lydeffekter og den oprindelige musik beholdes. I vores test kom en engelsk fortællerstemme på 9 minutter tilbage på 12 sprog, hver især i samme længde som originalen.
Hvilke sprog understøtter Seed Audio 1.5?
30 sprog til tale, blandt andet engelsk, kinesisk, japansk, koreansk, spansk (Spanien og Mexico), portugisisk (Brasilien og Portugal), tysk, fransk, russisk, arabisk, hindi og dansk. Videooversættelse går fra engelsk eller kinesisk til et hvilket som helst af de 30.
Hvor lang må videoen være?
Én forespørgsel tager en video på 4 til 360 sekunder, op til 200 MB, i 480p, 720p eller 1080p. Er filmen længere, så del den ved pauser, og oversæt delene én ad gangen, som vi gjorde med Pompeji-filmen på 9 minutter.
Hvor lang tid tager en oversættelse?
I vores kørsler tog hver del på cirka fire et halvt minut mellem 157 og 200 sekunder pr. sprog.
Kan Seed Audio 1.5 lave læbesynkronisering?
Nej. Den genererer lyd. Den oversatte stemme følger originalens timing, men selve videoen, herunder mundbevægelser, bliver ikke ændret.
Kan den adskille vokal, musik og lydeffekter?
Ja. Giv den en lydfil på op til 6 minutter, og den returnerer stemmer, effekter og musik som separate spor, op til seks i alt.
Hvad er nyt i forhold til Seed Audio 1.0?
Seed Audio 1.5 tilføjer videoinput, som er det, der giver videodubbing og videooversættelse. Den tilføjer også stem-separation og musik på op til 6 minutter, accepterer op til seks referenceklip til stemmer, producerer op til 6 minutters lyd pr. forespørgsel og taler 30 sprog.
Er Seed Audio 1.5 det samme som Seed Audio 2.0?
Nogle sider omtaler den kommende model som Seed Audio 2.0. ByteDances dokumentation til early access kalder den Seed Audio 1.5, og det er det navn, vi bruger.
Er Doitong tilknyttet ByteDance?
Nej. Doitong er en uafhængig AI-videoplatform. Vi havde early access til Seed Audio 1.5 og beskriver her vores egne resultater.
Hvad du kan med Seed Audio 1.5
Giv din video en stemme på et andet sprog
Start med ét kort klip, tjek navnene, og kør så hele filmen.
Kom i gang i Doitong