Seed Audio 1.5: terjemahkan dan dubbing video dengan suara yang sama
Satu model untuk suara, efek suara, dan musik, dikendalikan oleh video Anda
Seed Audio 1.5 adalah model audio terbaru dari ByteDance. Model ini menerima video, menyimaknya, lalu menulis soundtrack baru: narator yang sama berbicara dalam bahasa Jepang, dubbing yang mengikuti gambar, atau suara, musik, dan efek yang dipisah menjadi track tersendiri. Dalam akses awal, kami memakainya untuk menerjemahkan film animasi berdurasi 9 menit ke 12 bahasa. Di sini kami tunjukkan hasilnya, bagian yang meleset, dan cara mendapatkan hasil yang sama. Anda juga bisa menerjemahkan ke bahasa Indonesia.
Doitong adalah platform independen dan tidak berafiliasi dengan ByteDance.
Uji coba kami: satu film, 12 bahasa, narator yang sama
Kami mengambil “The Last Ordinary Day in Pompeii”, film sejarah animasi berdurasi 9 menit dengan narasi bahasa Inggris, lalu memprosesnya lewat terjemahan video Seed Audio 1.5 satu kali untuk setiap bahasa. Putar videonya, lalu buka Setelan → Trek audio untuk beralih antara versi asli bahasa Inggris dan 12 terjemahannya.
Trek audio pada video ini: Inggris (asli) plus Rusia, Jerman, Prancis, Spanyol (Spanyol), Italia, Jepang, Korea, Belanda, Swedia, Denmark, Norwegia, dan Finlandia.
- Durasi film
- 9:00
- Bahasa
- 12
- Waktu per permintaan
- 2,6–3,3 mnt
- Selisih durasi
- < 0,03 dtk
Cara kami menjalankan uji coba
Angka di atas berasal dari log kami sendiri, bukan dari siaran pers. Ada tiga hal yang perlu diperhatikan jika Anda ingin mengulanginya.
Potong di jeda
Satu permintaan menerima video berdurasi 4 hingga 360 detik, jadi film 9 menit itu kami kirim dalam dua bagian yang dipotong di jeda alami: 4:43 dan 4:17. Dua belas bahasa berarti 24 permintaan, dan masing-masing selesai dalam 157 hingga 200 detik.
Durasinya tetap sama
Setiap bagian terjemahan kembali dengan durasi yang sama dengan aslinya. Bagian pertama kembali 283,26 detik dibandingkan 283,29 pada sumber, bagian kedua 256,83 dibandingkan 256,83, dan angkanya sama di setiap bahasa. Narasi baru langsung pas dengan gambar tanpa perlu diatur ulang waktunya.
Kami hanya mengirim suaranya
Kami memberikan narasi tanpa musik ke model, lalu menambahkan sendiri musik dan efek suara setelahnya. Mempertahankan musik dan efek di dalam terjemahan memang fitur yang dinyatakan untuk model ini, tetapi uji coba ini tidak bergantung padanya.
Apa yang bisa dilakukan Seed Audio 1.5
Versi 1.5 adalah model Seed Audio pertama yang menerima video. Perubahan satu itu membuka sebagian besar pekerjaan di bawah ini.
Terjemahkan video dengan suara yang sama
Dari bahasa Inggris atau Mandarin ke 30 bahasa. Suaranya mempertahankan karakter pembicara, dan efek suara serta musik latar aslinya tetap di tempat; hanya ucapannya yang berubah.
Dubbing video dari deskripsi
Berikan video dan jelaskan apa yang harus terdengar: dialog, suara, efek, musik. Model menulis audio yang mengikuti gambar. Naskahnya tidak akan dikarang oleh model.
Pisahkan audio menjadi stem
Masukkan file audio dan terima kembali suara, efek, dan musik sebagai track terpisah, hingga enam track, siap untuk sesi mixing.
Beri suara pada klip bisu
Minta suasana latar, langkah kaki, pintu, atau alas musik, lalu tempatkan masing-masing di timeline dengan timestamp di dalam prompt.
Kloning suara
Hingga enam klip referensi berdurasi 2 hingga 30 detik menentukan timbre suara. Gabungkan referensi dengan video, dan dubbing akan diucapkan dengan suara tersebut.
Tulis lagu dengan lirik
Musik hingga enam menit dari brief teks, dengan lirik yang dinyanyikan dalam bahasa Inggris, Mandarin, Jepang, Korea, atau Kanton.
Batas Seed Audio 1.5
Batas berikut berasal dari panduan integrasi akses awal ByteDance. Periksa sebelum Anda memotong video.
| Input | Batas |
|---|---|
| Durasi video | 4–360 detik per permintaan |
| Format video | MP4, MOV |
| Resolusi video | 480p, 720p, atau 1080p |
| Ukuran file video | Hingga 200 MB |
| Klip referensi suara | Hingga 6 klip, masing-masing 2–30 dtk, total 180 dtk |
| Audio untuk pemisahan stem | Satu file, 2–360 dtk, hingga 90 MB, WAV atau MP3 |
| Output | Nilai |
|---|---|
| Audio terpanjang per permintaan | 6 menit |
| Track stem | Hingga 6 |
| Format | WAV (default), MP3, PCM, OGG Opus |
| Sample rate default | 44,1 kHz |
| Bahasa untuk ucapan | 30 |
| Sumber terjemahan video | Inggris atau Mandarin, atau terdeteksi otomatis |
Sumber: panduan integrasi akses awal ByteDance Seed Audio 1.5, Oktober 2026. Batas dapat berubah setelah rilis.
30 bahasa
Seed Audio 1.5 bisa berbicara dalam bahasa-bahasa ini. Terjemahan video berjalan dari bahasa Inggris atau Mandarin ke bahasa mana pun di daftar ini.
Lirik lagu didukung dalam bahasa yang lebih sedikit: Inggris, Mandarin, Jepang, Korea, dan Kanton.
Prompt yang berhasil
Panduan prompt ByteDance menjelaskan tiga tingkat: deskripsi sederhana, naskah yang mengatur urutan kejadian, dan timeline dengan detik yang tepat. Mulailah dari yang sederhana dan tambahkan timestamp hanya di bagian yang butuh ketepatan waktu. Contoh prompt tetap dalam bahasa Inggris karena model paling patuh pada arahan berbahasa Inggris.
Voice-over sederhana
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.”
Batasan dulu, lalu suara, lalu kata-kata persisnya. Menyebutkan apa yang tidak boleh muncul sama pentingnya dengan apa yang harus muncul.
Adegan dengan waktu tertentu
[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.
Timestamp menempatkan setiap suara di timeline, sehingga audio sejajar dengan pemotongan yang sudah Anda buat.
Hal yang perlu diwaspadai
Hal-hal yang kami temui saat pengujian, dan hal-hal yang dijelaskan dengan gamblang di dokumentasi.
- Nama dan kata langka bisa berubah antar-take. Pada terjemahan bahasa Rusia film uji kedua kami yang berlatar London tahun 1666, kata lama untuk perahu sungai di Thames keluar salah, dan nama salah satu tokoh berubah bentuk. Terjemahan video menerima glosarium, jadi daftarkan nama-namanya sebelum menjalankannya.
- Dubbing membutuhkan deskripsi. Seed Audio 1.5 tidak menulis dialog sendiri; beri tahu apa yang diucapkan dan apa yang terdengar.
- Model ini menghasilkan suara, bukan gerak bibir. Suara terjemahan mempertahankan waktu aslinya, tetapi mulut di layar tidak digambar ulang.
- Satu permintaan mencakup hingga 6 menit. Video yang lebih panjang harus dipotong, dan potongan di tengah kalimat akan terdengar, jadi potonglah di jeda.
- Terjemahan video berangkat dari bahasa Inggris atau Mandarin. Video dalam bahasa lain tidak bisa diterjemahkan langsung.
- Kloning hanya suara yang Anda berhak menggunakannya.
FAQ Seed Audio 1.5
Apa itu Seed Audio 1.5?
Seed Audio 1.5 adalah model pembuat audio dari ByteDance, dirilis pada 28 Oktober 2026. Model ini menghasilkan ucapan, efek suara, dan musik sekaligus, dan merupakan versi Seed Audio pertama yang menerima video, sehingga dubbing video dan terjemahan video dengan suara yang sama menjadi mungkin.
Apakah Seed Audio 1.5 bisa menerjemahkan video dengan suara yang sama?
Bisa. Terjemahan video mengisi ulang ucapan dalam bahasa lain sambil mempertahankan karakter suara pembicara, serta menjaga efek suara dan musik aslinya. Dalam uji coba kami, narasi bahasa Inggris berdurasi 9 menit kembali dalam 12 bahasa, masing-masing dengan durasi yang sama dengan aslinya.
Bahasa apa saja yang didukung Seed Audio 1.5?
30 bahasa untuk ucapan, termasuk Indonesia, Inggris, Mandarin, Jepang, Korea, Spanyol (Spanyol dan Meksiko), Portugis (Brasil dan Portugal), Jerman, Prancis, Rusia, Arab, dan Hindi. Terjemahan video berjalan dari bahasa Inggris atau Mandarin ke salah satu dari 30 bahasa tersebut.
Berapa panjang video yang bisa diproses?
Satu permintaan menerima video berdurasi 4 hingga 360 detik, hingga 200 MB, dalam resolusi 480p, 720p, atau 1080p. Untuk film yang lebih panjang, potong di jeda dan terjemahkan bagiannya satu per satu, seperti yang kami lakukan pada film Pompeii berdurasi 9 menit.
Berapa lama proses terjemahan?
Dalam percobaan kami, setiap bagian berdurasi sekitar empat setengah menit memakan waktu 157 hingga 200 detik per bahasa.
Apakah Seed Audio 1.5 mendukung lip sync?
Tidak. Model ini menghasilkan audio. Suara terjemahan mengikuti waktu aslinya, tetapi videonya sendiri, termasuk gerak mulut, tidak diubah.
Bisakah memisahkan vokal, musik, dan efek suara?
Bisa. Berikan file audio hingga 6 menit dan model mengembalikan suara, efek, dan musik sebagai track terpisah, hingga enam track.
Apa yang berubah dari Seed Audio 1.0?
Seed Audio 1.5 menambahkan input video, yang membawa dubbing video dan terjemahan video. Model ini juga menambahkan pemisahan stem dan musik hingga 6 menit, menerima hingga enam klip referensi suara, menghasilkan audio hingga 6 menit per permintaan, dan berbicara dalam 30 bahasa.
Apakah Seed Audio 1.5 sama dengan Seed Audio 2.0?
Beberapa situs menyebut model yang akan datang ini sebagai Seed Audio 2.0. Dokumentasi akses awal ByteDance menyebutnya Seed Audio 1.5, dan itulah nama yang kami pakai.
Apakah Doitong berafiliasi dengan ByteDance?
Tidak. Doitong adalah platform video AI independen. Kami mendapat akses awal ke Seed Audio 1.5 dan di sini menjelaskan hasil kami sendiri.
Yang bisa Anda lakukan dengan Seed Audio 1.5
Beri video Anda suara dalam bahasa lain
Mulailah dengan satu klip pendek, periksa nama-namanya, lalu proses seluruh film.
Mulai di Doitong