Seed Audio 1.5: prevedite i sinkronizirajte video istim glasom
Jedan model za glas, zvučne efekte i glazbu, vođen vašim videom
Seed Audio 1.5 novi je ByteDanceov audio model. Uzima video, sluša ga i piše novi zvučni zapis: isti pripovjedač koji govori japanski, sinkronizacija koja prati sliku ili glas, glazba i efekti razdvojeni u zasebne zapise. U ranom pristupu njime smo preveli animirani film od 9 minuta na 12 jezika. Ovdje je što je napravio, gdje je zapeo i kako doći do istog rezultata.
Doitong je neovisna platforma i nije povezan s tvrtkom ByteDance.
Naš test: jedan film, 12 jezika, isti pripovjedač
Uzeli smo „The Last Ordinary Day in Pompeii”, animirani povijesni film od 9 minuta s engleskim naracijom, i za svaki jezik jednom ga pustili kroz prijevod videa u Seed Audio 1.5. Pokrenite video i otvorite Postavke → Zvučni zapis kako biste prelazili između engleskog originala i 12 prijevoda.
Zvučni zapisi na ovom videu: engleski (original) te ruski, njemački, francuski, španjolski (Španjolska), talijanski, japanski, korejski, nizozemski, švedski, danski, norveški i finski.
- Trajanje filma
- 9:00
- Jezika
- 12
- Vrijeme po zahtjevu
- 2,6–3,3 min
- Razlika u trajanju
- < 0,03 s
Kako smo proveli test
Brojke iznad dolaze iz naših vlastitih zapisnika, a ne iz priopćenja za medije. Ako želite ponoviti test, bitna su tri detalja.
Rez na stanci
Jedan zahtjev prihvaća video od 4 do 360 sekundi, pa smo film od 9 minuta poslali u dva dijela, prerezana na prirodnoj stanci: 4:43 i 4:17. Dvanaest jezika značilo je 24 zahtjeva, a svaki se vratio za 157 do 200 sekundi.
Trajanje je ostalo isto
Svaki preveden dio vratio se jednako dug kao original. Prvi dio vratio se s 283,26 sekundi prema 283,29 u izvorniku, drugi s 256,83 prema 256,83, a brojke su bile jednake u svakom jeziku. Nova naracija legla je na sliku bez ikakvog vremenskog prilagođavanja.
Poslali smo samo glas
Modelu smo dali naraciju bez glazbe, a vlastitu glazbu i efekte kasnije smo ponovno ugradili u miks. Zadržavanje glazbe i efekata unutar prijevoda deklarirana je mogućnost modela, ali se ovaj test nije oslanjao na nju.
Što Seed Audio 1.5 može
Verzija 1.5 prvi je model iz obitelji Seed Audio koji prihvaća video. Ta jedna promjena omogućuje većinu poslova u nastavku.
Prevedite video istim glasom
S engleskog ili kineskog na 30 jezika. Glas zadržava karakter govornika, a izvorni efekti i glazba u pozadini ostaju na mjestu, mijenja se samo govor.
Sinkronizirajte video prema opisu
Dajte mu video i opišite što se treba čuti: replike, glasove, efekte, glazbu. Napisat će zvuk koji prati sliku. Scenarij neće smisliti umjesto vas.
Razdvojite zvuk na stemove
Pošaljite audio datoteku i dobit ćete glasove, efekte i glazbu kao zasebne zapise, njih do šest, spremne za miksanje.
Ozvučite nijemi isječak
Zatražite ambijent, korake, vrata, glazbenu podlogu i svaki zvuk smjestite na vremensku crtu pomoću vremenskih oznaka u promptu.
Klonirajte glas
Do šest referentnih isječaka od 2 do 30 sekundi određuje boju glasa. Kombinirate li referencu s videom, sinkronizacija će biti izgovorena tim glasom.
Pišite pjesme s tekstom
Glazba duga do šest minuta prema tekstualnom opisu, s otpjevanim tekstom na engleskom, kineskom, japanskom, korejskom ili kantonskom.
Ograničenja Seed Audija 1.5
Ograničenja iz ByteDanceova vodiča za integraciju u ranom pristupu. Provjerite ih prije rezanja videa.
| Ulaz | Ograničenje |
|---|---|
| Trajanje videa | 4–360 sekundi po zahtjevu |
| Formati videa | MP4, MOV |
| Razlučivost videa | 480p, 720p ili 1080p |
| Veličina video datoteke | Do 200 MB |
| Referentni isječci glasa | Do 6, svaki 2–30 s, ukupno 180 s |
| Zvuk za razdvajanje stemova | Jedna datoteka, 2–360 s, do 90 MB, WAV ili MP3 |
| Izlaz | Vrijednost |
|---|---|
| Najdulji zvuk po zahtjevu | 6 minuta |
| Zapisi stemova | Do 6 |
| Formati | WAV (zadano), MP3, PCM, OGG Opus |
| Zadana frekvencija uzorkovanja | 44,1 kHz |
| Jezici govora | 30 |
| Izvor za prijevod videa | Engleski ili kineski, ili automatsko prepoznavanje |
Izvor: ByteDanceov vodič za integraciju Seed Audija 1.5 u ranom pristupu, listopad 2026. Ograničenja se nakon objave mogu promijeniti.
30 jezika
Seed Audio 1.5 govori ove jezike. Prijevod videa ide s engleskog ili kineskog na bilo koji od njih.
Tekstovi pjesama podržani su na manjem skupu jezika: engleski, kineski, japanski, korejski i kantonski.
Promptovi koji rade
ByteDanceov vodič za promptove opisuje tri razine: običan opis, scenarij koji određuje redoslijed događaja i vremensku crtu s točnim sekundama. Počnite jednostavno, a vremenske oznake dodajte samo gdje je tajming važan. Primjeri su na engleskom jer model najbolje slijedi engleske upute.
Običan 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.”
Prvo ograničenja, zatim glas, pa točne riječi. Reći što se ne smije pojaviti jednako je važno kao reći što se mora čuti.
Scena s vremenskim oznakama
[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.
Vremenske oznake smještaju svaki zvuk na vremensku crtu pa se zvuk poklapa s rezovima koje ste već napravili.
Na što paziti
Na što smo naišli u testiranju i što dokumentacija jasno navodi.
- Imena i rijetke riječi mogu se razlikovati od snimke do snimke. U ruskom prijevodu našeg drugog testnog filma, smještenog u London 1666., stari naziv za riječni brod na Temzi bio je pogrešan, a ime jednog lika promijenilo je oblik. Prijevod videa prihvaća pojmovnik, zato prije pokretanja navedite imena.
- Sinkronizacija traži opis. Seed Audio 1.5 ne piše replike sam; recite mu što se govori i što se čuje.
- Stvara zvuk, a ne pokrete usana. Prevedeni glas zadržava tajming originala, ali se usta na ekranu ne iscrtavaju ponovno.
- Jedan zahtjev pokriva do 6 minuta. Dulje videe treba podijeliti, a rez usred rečenice čuje se, zato režite na stanci.
- Prijevod videa kreće od engleskog ili kineskog. Video na nekom drugom jeziku ne može se izravno prevesti.
- Klonirajte samo glasove koje imate pravo koristiti.
Seed Audio 1.5: česta pitanja
Može li Seed Audio 1.5 prevesti ili sinkronizirati video na hrvatski?
Za sada ne. Hrvatski nije među 30 jezika koje Seed Audio 1.5 govori pri izlasku. Video na engleskom ili kineskom možete prevesti na jezike koji su čitateljima iz Hrvatske često potrebni, primjerice njemački, talijanski, španjolski ili francuski.
Što je Seed Audio 1.5?
Seed Audio 1.5 ByteDanceov je model za generiranje zvuka, objavljen 28. listopada 2026. Govor, zvučne efekte i glazbu stvara u jednom prolazu i prva je verzija Seed Audija koja prihvaća video, a upravo to omogućuje sinkronizaciju videa i prijevod videa istim glasom.
Prevodi li Seed Audio 1.5 video istim glasom?
Da. Prijevod videa govor izgovara na drugom jeziku, zadržava karakter govornikova glasa te čuva izvorne zvučne efekte i glazbu. U našem testu engleska naracija od 9 minuta vratila se na 12 jezika, svaka jednako duga kao original.
Koje jezike podržava Seed Audio 1.5?
30 jezika za govor, među njima engleski, kineski, japanski, korejski, španjolski (Španjolska i Meksiko), portugalski (Brazil i Portugal), njemački, francuski, ruski, arapski i hindski. Prijevod videa ide s engleskog ili kineskog na bilo koji od tih 30.
Koliko video smije trajati?
Jedan zahtjev prima video od 4 do 360 sekundi, do 200 MB, u 480p, 720p ili 1080p. Dulji film podijelite na stankama i prevedite dijelove jedan po jedan, kao što smo učinili s filmom o Pompejima od 9 minuta.
Koliko traje prijevod?
U našim pokretanjima svaki dio od otprilike četiri i pol minute trajao je između 157 i 200 sekundi po jeziku.
Radi li Seed Audio 1.5 sinkronizaciju usana (lip sync)?
Ne. Generira zvuk. Prevedeni glas prati tajming originala, ali se sam video, uključujući pokrete usana, ne mijenja.
Može li odvojiti vokal, glazbu i zvučne efekte?
Da. Dajte mu audio datoteku do 6 minuta i vratit će glasove, efekte i glazbu kao zasebne zapise, ukupno do šest.
Što je novo u odnosu na Seed Audio 1.0?
Seed Audio 1.5 dodaje video kao ulaz, što donosi sinkronizaciju i prijevod videa. Dodaje i razdvajanje stemova te glazbu do 6 minuta, prihvaća do šest referentnih isječaka glasa, daje do 6 minuta zvuka po zahtjevu i govori 30 jezika.
Je li Seed Audio 1.5 isto što i Seed Audio 2.0?
Neke stranice nadolazeći model navode kao Seed Audio 2.0. ByteDanceova dokumentacija za rani pristup zove ga Seed Audio 1.5 i to je naziv koji koristimo.
Je li Doitong povezan s tvrtkom ByteDance?
Ne. Doitong je neovisna AI platforma za video. Imali smo rani pristup Seed Audiju 1.5 i ovdje opisujemo vlastite rezultate.
Što sve možete raditi uz Seed Audio 1.5
Dajte svom videu glas na drugom jeziku
Počnite s jednim kratkim isječkom, provjerite imena pa pokrenite cijeli film.
Započnite u Doitongu