Seed Audio 1.5: μετάφραση και μεταγλώττιση βίντεο με την ίδια φωνή
Ένα μοντέλο για φωνή, ηχητικά εφέ και μουσική, με οδηγό το βίντεό σας
Το Seed Audio 1.5 είναι το νέο μοντέλο ήχου της ByteDance. Παίρνει ένα βίντεο, το «ακούει» και γράφει ένα νέο ηχητικό κομμάτι: τον ίδιο αφηγητή να μιλά ιαπωνικά, μια μεταγλώττιση που ακολουθεί την εικόνα, ή τη φωνή, τη μουσική και τα εφέ χωρισμένα σε ξεχωριστά κομμάτια. Το χρησιμοποιήσαμε σε πρώιμη πρόσβαση για να μεταφράσουμε μια animated ταινία 9 λεπτών σε 12 γλώσσες. Δείτε τι έκανε, πού παραπάτησε και πώς θα πετύχετε το ίδιο αποτέλεσμα. Μπορείτε να μεταφράσετε και στα ελληνικά.
Το Doitong είναι ανεξάρτητη πλατφόρμα και δεν σχετίζεται με την ByteDance.
Το τεστ μας: μία ταινία, 12 γλώσσες, ο ίδιος αφηγητής
Πήραμε το “The Last Ordinary Day in Pompeii”, μια animated ιστορική ταινία 9 λεπτών με αγγλική αφήγηση, και την περάσαμε από τη μετάφραση βίντεο του Seed Audio 1.5 μία φορά για κάθε γλώσσα. Παίξτε το βίντεο και ανοίξτε Ρυθμίσεις → Κομμάτι ήχου για να εναλλάσσεστε ανάμεσα στο αγγλικό πρωτότυπο και τις 12 μεταφράσεις.
Κομμάτια ήχου σε αυτό το βίντεο: αγγλικά (πρωτότυπο) και ρωσικά, γερμανικά, γαλλικά, ισπανικά (Ισπανία), ιταλικά, ιαπωνικά, κορεατικά, ολλανδικά, σουηδικά, δανικά, νορβηγικά και φινλανδικά.
- Διάρκεια ταινίας
- 9:00
- Γλώσσες
- 12
- Χρόνος ανά αίτημα
- 2,6–3,3 λεπτά
- Διαφορά διάρκειας
- < 0,03 s
Πώς κάναμε το τεστ
Τα παραπάνω νούμερα προέρχονται από τα δικά μας logs, όχι από δελτίο τύπου. Τρεις λεπτομέρειες έχουν σημασία αν θέλετε να το επαναλάβετε.
Κόψιμο σε παύση
Ένα αίτημα δέχεται βίντεο από 4 έως 360 δευτερόλεπτα, οπότε η ταινία των 9 λεπτών μπήκε σε δύο μέρη, κομμένα σε φυσική παύση: 4:43 και 4:17. Δώδεκα γλώσσες σήμαιναν 24 αιτήματα, και το καθένα επέστρεψε σε 157 έως 200 δευτερόλεπτα.
Η διάρκεια παρέμεινε ίδια
Κάθε μεταφρασμένο μέρος επέστρεψε με τη διάρκεια του πρωτότυπου. Το πρώτο μέρος βγήκε 283,26 δευτερόλεπτα έναντι 283,29 της πηγής, το δεύτερο 256,83 έναντι 256,83, και τα νούμερα ήταν τα ίδια σε κάθε γλώσσα. Η νέα αφήγηση ταίριαξε στην εικόνα χωρίς καμία επανασυγχρονισμό.
Στείλαμε μόνο τη φωνή
Δώσαμε στο μοντέλο την αφήγηση χωρίς μουσική και ξαναβάλαμε εμείς τη δική μας μουσική και τα εφέ στο τέλος. Η διατήρηση μουσικής και εφέ μέσα στη μετάφραση είναι δηλωμένη λειτουργία του μοντέλου, αλλά αυτό το συγκεκριμένο τεστ δεν βασίστηκε σε αυτήν.
Τι μπορεί να κάνει το Seed Audio 1.5
Η έκδοση 1.5 είναι το πρώτο μοντέλο Seed Audio που δέχεται βίντεο. Αυτή η μία αλλαγή ανοίγει τις περισσότερες από τις παρακάτω δυνατότητες.
Μετάφραση βίντεο με την ίδια φωνή
Από αγγλικά ή κινεζικά σε 30 γλώσσες. Η φωνή κρατά τον χαρακτήρα του ομιλητή, και τα αρχικά εφέ και η μουσική υπόκρουση μένουν στη θέση τους, ενώ αλλάζει μόνο ο λόγος.
Μεταγλώττιση βίντεο από περιγραφή
Δώστε ένα βίντεο και περιγράψτε τι πρέπει να ακούγεται: τις ατάκες, τις φωνές, τα εφέ, τη μουσική. Γράφει ήχο που ακολουθεί την εικόνα. Δεν θα εφεύρει όμως το σενάριο για εσάς.
Διαχωρισμός ήχου σε stems
Δώστε ένα αρχείο ήχου και πάρτε πίσω φωνές, εφέ και μουσική ως ξεχωριστά κομμάτια, έως έξι, έτοιμα για μίξη.
Ήχος για βουβό κλιπ
Ζητήστε ατμόσφαιρα, βήματα, μια πόρτα, ένα μουσικό υπόστρωμα και τοποθετήστε το καθένα στη γραμμή χρόνου με χρονοσφραγίδες μέσα στο prompt.
Κλωνοποίηση φωνής
Έως έξι δείγματα αναφοράς των 2 έως 30 δευτερολέπτων το καθένα ορίζουν το χρώμα της φωνής. Συνδυάστε ένα δείγμα με ένα βίντεο και η μεταγλώττιση ακούγεται με αυτή τη φωνή.
Τραγούδια με στίχους
Μουσική διάρκειας έως έξι λεπτών από γραπτή περιγραφή, με τραγουδισμένους στίχους στα αγγλικά, κινεζικά, ιαπωνικά, κορεατικά ή καντονέζικα.
Τα όρια του Seed Audio 1.5
Όρια από τον οδηγό ενσωμάτωσης πρώιμης πρόσβασης της ByteDance. Ελέγξτε τα πριν κόψετε το βίντεό σας.
| Είσοδος | Όριο |
|---|---|
| Διάρκεια βίντεο | 4–360 δευτερόλεπτα ανά αίτημα |
| Μορφές βίντεο | MP4, MOV |
| Ανάλυση βίντεο | 480p, 720p ή 1080p |
| Μέγεθος αρχείου βίντεο | Έως 200 MB |
| Δείγματα αναφοράς φωνής | Έως 6, 2–30 s το καθένα, 180 s συνολικά |
| Ήχος για διαχωρισμό stems | Ένα αρχείο, 2–360 s, έως 90 MB, WAV ή MP3 |
| Έξοδος | Τιμή |
|---|---|
| Μέγιστη διάρκεια ήχου ανά αίτημα | 6 λεπτά |
| Κομμάτια stems | Έως 6 |
| Μορφές | WAV (προεπιλογή), MP3, PCM, OGG Opus |
| Προεπιλεγμένος ρυθμός δειγματοληψίας | 44,1 kHz |
| Γλώσσες ομιλίας | 30 |
| Γλώσσα-πηγή για μετάφραση βίντεο | Αγγλικά ή κινεζικά, ή αυτόματη ανίχνευση |
Πηγή: οδηγός ενσωμάτωσης πρώιμης πρόσβασης του ByteDance Seed Audio 1.5, Οκτώβριος 2026. Τα όρια μπορεί να αλλάξουν μετά την κυκλοφορία.
30 γλώσσες
Το Seed Audio 1.5 μιλά αυτές τις γλώσσες. Η μετάφραση βίντεο γίνεται από αγγλικά ή κινεζικά σε οποιαδήποτε από αυτές.
Οι στίχοι σε τραγούδια υποστηρίζονται σε μικρότερο σύνολο γλωσσών: αγγλικά, κινεζικά, ιαπωνικά, κορεατικά και καντονέζικα.
Prompts που δουλεύουν
Ο οδηγός prompts της ByteDance περιγράφει τρία επίπεδα: μια απλή περιγραφή, ένα σενάριο που ορίζει τη σειρά των γεγονότων και μια γραμμή χρόνου με ακριβή δευτερόλεπτα. Ξεκινήστε απλά και προσθέστε χρονοσφραγίδες μόνο εκεί που μετράει ο χρονισμός. Τα παραδείγματα μένουν στα αγγλικά, γιατί το μοντέλο ακολουθεί καλύτερα αγγλικές οδηγίες.
Ένα απλό voice-over
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.”
Πρώτα οι περιορισμοί, μετά η φωνή, μετά τα ακριβή λόγια. Το να πείτε τι δεν πρέπει να εμφανιστεί μετράει όσο και το τι πρέπει.
Μια σκηνή με χρονισμό
[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.
Οι χρονοσφραγίδες τοποθετούν κάθε ήχο στη γραμμή χρόνου, ώστε ο ήχος να ταιριάζει με τα κοψίματα που έχετε ήδη κάνει.
Τι να προσέξετε
Πράγματα που συναντήσαμε στις δοκιμές και πράγματα που η τεκμηρίωση αναφέρει καθαρά.
- Τα ονόματα και οι σπάνιες λέξεις μπορεί να αλλάζουν από λήψη σε λήψη. Στη ρωσική μετάφραση της δεύτερης ταινίας δοκιμής μας, που διαδραματίζεται στο Λονδίνο του 1666, η παλιά λέξη για ένα ποταμόπλοιο του Τάμεση βγήκε λάθος και το όνομα ενός χαρακτήρα άλλαξε μορφή. Η μετάφραση βίντεο δέχεται γλωσσάριο, οπότε καταχωρίστε τα ονόματα πριν την τρέξετε.
- Η μεταγλώττιση χρειάζεται περιγραφή. Το Seed Audio 1.5 δεν γράφει μόνο του ατάκες· πείτε του τι λέγεται και τι ακούγεται.
- Παράγει ήχο, όχι κίνηση χειλιών. Η μεταφρασμένη φωνή κρατά τον χρονισμό του πρωτότυπου, αλλά τα στόματα στην οθόνη δεν ξανασχεδιάζονται.
- Ένα αίτημα καλύπτει έως 6 λεπτά. Τα μεγαλύτερα βίντεο πρέπει να κοπούν σε μέρη, και ένα κόψιμο στη μέση πρότασης ακούγεται, γι' αυτό κόψτε σε παύση.
- Η μετάφραση βίντεο ξεκινά από αγγλικά ή κινεζικά. Ένα βίντεο σε άλλη γλώσσα δεν μπορεί να μεταφραστεί απευθείας.
- Κλωνοποιήστε μόνο φωνές που έχετε δικαίωμα να χρησιμοποιήσετε.
Συχνές ερωτήσεις για το Seed Audio 1.5
Τι είναι το Seed Audio 1.5;
Το Seed Audio 1.5 είναι ένα μοντέλο παραγωγής ήχου της ByteDance, που κυκλοφόρησε στις 28 Οκτωβρίου 2026. Παράγει ομιλία, ηχητικά εφέ και μουσική σε ένα πέρασμα και είναι η πρώτη έκδοση Seed Audio που δέχεται βίντεο, κάτι που κάνει δυνατή τη μεταγλώττιση βίντεο και τη μετάφραση βίντεο με την ίδια φωνή.
Μεταφράζει το Seed Audio 1.5 ένα βίντεο με την ίδια φωνή;
Ναι. Η μετάφραση βίντεο ξαναδίνει φωνή στον λόγο σε άλλη γλώσσα, κρατώντας τον χαρακτήρα της φωνής του ομιλητή, και διατηρεί τα αρχικά ηχητικά εφέ και τη μουσική. Στο τεστ μας μια αγγλική αφήγηση 9 λεπτών επέστρεψε σε 12 γλώσσες, κάθε μία με την ίδια διάρκεια με το πρωτότυπο.
Ποιες γλώσσες υποστηρίζει το Seed Audio 1.5;
30 γλώσσες για ομιλία, μεταξύ των οποίων αγγλικά, κινεζικά, ιαπωνικά, κορεατικά, ισπανικά (Ισπανία και Μεξικό), πορτογαλικά (Βραζιλία και Πορτογαλία), γερμανικά, γαλλικά, ρωσικά, αραβικά, χίντι και ελληνικά. Η μετάφραση βίντεο γίνεται από αγγλικά ή κινεζικά σε οποιαδήποτε από τις 30.
Πόσο μεγάλο μπορεί να είναι το βίντεο;
Ένα αίτημα δέχεται βίντεο 4 έως 360 δευτερολέπτων, έως 200 MB, σε 480p, 720p ή 1080p. Για μεγαλύτερη ταινία, κόψτε την σε παύσεις και μεταφράστε τα μέρη ένα ένα, όπως κάναμε με την ταινία των 9 λεπτών για την Πομπηία.
Πόση ώρα παίρνει μια μετάφραση;
Στις δοκιμές μας κάθε μέρος περίπου τεσσεράμισι λεπτών χρειάστηκε από 157 έως 200 δευτερόλεπτα ανά γλώσσα.
Κάνει το Seed Audio 1.5 lip sync;
Όχι. Παράγει ήχο. Η μεταφρασμένη φωνή ακολουθεί τον χρονισμό του πρωτότυπου, αλλά το ίδιο το βίντεο, μαζί με την κίνηση των χειλιών, δεν αλλάζει.
Μπορεί να διαχωρίσει φωνητικά, μουσική και ηχητικά εφέ;
Ναι. Δώστε ένα αρχείο ήχου έως 6 λεπτών και επιστρέφει φωνές, εφέ και μουσική ως ξεχωριστά κομμάτια, έως έξι συνολικά.
Τι άλλαξε σε σχέση με το Seed Audio 1.0;
Το Seed Audio 1.5 προσθέτει είσοδο βίντεο, που φέρνει τη μεταγλώττιση και τη μετάφραση βίντεο. Προσθέτει επίσης διαχωρισμό stems και μουσική έως 6 λεπτών, δέχεται έως έξι δείγματα αναφοράς φωνής, παράγει έως 6 λεπτά ήχου ανά αίτημα και μιλά 30 γλώσσες.
Είναι το Seed Audio 1.5 το ίδιο με το Seed Audio 2.0;
Ορισμένοι ιστότοποι αναφέρουν το επερχόμενο μοντέλο ως Seed Audio 2.0. Η τεκμηρίωση πρώιμης πρόσβασης της ByteDance το ονομάζει Seed Audio 1.5, και αυτό είναι το όνομα που χρησιμοποιούμε.
Σχετίζεται το Doitong με την ByteDance;
Όχι. Το Doitong είναι ανεξάρτητη πλατφόρμα βίντεο με AI. Είχαμε πρώιμη πρόσβαση στο Seed Audio 1.5 και περιγράφουμε εδώ τα δικά μας αποτελέσματα.
Τι μπορείτε να κάνετε με το Seed Audio 1.5
Δώστε στο βίντεό σας φωνή σε άλλη γλώσσα
Ξεκινήστε με ένα σύντομο κλιπ, ελέγξτε τα ονόματα και μετά τρέξτε ολόκληρη την ταινία.
Ξεκινήστε στο Doitong