Seed Audio 1.5: traduci e doppia video con la stessa voce
Un unico modello per voce, effetti sonori e musica, guidato dal tuo video
Seed Audio 1.5 è il nuovo modello audio di ByteDance. Prende un video, lo ascolta e scrive una nuova colonna sonora: lo stesso narratore che parla giapponese, un doppiaggio che segue le immagini, oppure voce, musica ed effetti separati in tracce distinte. Lo abbiamo usato in accesso anticipato per tradurre un film d'animazione di 9 minuti in 12 lingue, italiano compreso. Qui trovi cosa ha fatto, dove ha sbagliato e come ottenere lo stesso risultato.
Doitong è una piattaforma indipendente e non è affiliata a ByteDance.
Il nostro test: un film, 12 lingue, lo stesso narratore
Abbiamo preso “The Last Ordinary Day in Pompeii”, un film storico d'animazione di 9 minuti con narrazione in inglese, e lo abbiamo passato nella traduzione video di Seed Audio 1.5 una volta per ogni lingua. Avvia il video e apri Impostazioni → Traccia audio per passare dall'originale in inglese alle 12 traduzioni, italiano incluso.
Tracce audio di questo video: inglese (originale) più russo, tedesco, francese, spagnolo (Spagna), italiano, giapponese, coreano, olandese, svedese, danese, norvegese e finlandese.
- Durata del film
- 9:00
- Lingue
- 12
- Tempo per richiesta
- 2,6–3,3 min
- Differenza di durata
- < 0,03 s
Come abbiamo condotto il test
I numeri qui sopra vengono dai nostri log, non da un comunicato stampa. Se vuoi ripetere la prova, contano tre dettagli.
Taglio in corrispondenza di una pausa
Una richiesta accetta un video da 4 a 360 secondi, quindi il film di 9 minuti è stato inviato in due parti, tagliate in una pausa naturale: 4:43 e 4:17. Dodici lingue significano 24 richieste, e ognuna è tornata in un tempo compreso tra 157 e 200 secondi.
La durata è rimasta identica
Ogni parte tradotta è tornata con la stessa durata dell'originale. La prima parte è risultata di 283,26 secondi contro i 283,29 della sorgente, la seconda di 256,83 contro 256,83, e i valori erano gli stessi in tutte le lingue. La nuova narrazione si è adattata alle immagini senza bisogno di risincronizzarla.
Abbiamo inviato solo la voce
Al modello abbiamo dato la narrazione senza musica e solo in seguito abbiamo rimixato la nostra colonna sonora e i nostri effetti. Mantenere musica ed effetti all'interno della traduzione è una funzione dichiarata del modello, ma questo test in particolare non ne ha fatto uso.
Cosa sa fare Seed Audio 1.5
La versione 1.5 è il primo modello Seed Audio che accetta video. Questa sola novità rende possibile gran parte dei lavori qui sotto.
Tradurre un video con la stessa voce
Dall'inglese o dal cinese in 30 lingue. La voce conserva il carattere di chi parla, mentre gli effetti originali e la musica di sottofondo restano al loro posto: cambia solo il parlato.
Doppiare un video partendo da una descrizione
Gli dai un video e descrivi cosa deve sentirsi: battute, voci, effetti, musica. Il modello scrive un audio che segue le immagini. Non inventa però la sceneggiatura al posto tuo.
Separare l'audio in stem
Carichi un file audio e ottieni voci, effetti e musica come tracce separate, fino a sei, pronte per una sessione di mixaggio.
Sonorizzare una clip muta
Chiedi atmosfera, passi, una porta, un tappeto musicale e posiziona ogni elemento sulla timeline con i timestamp nel prompt.
Clonare una voce
Fino a sei clip di riferimento da 2 a 30 secondi ciascuna definiscono il timbro. Se abbini un riferimento a un video, il doppiaggio viene pronunciato con quella voce.
Scrivere canzoni con testo
Musica fino a sei minuti a partire da un brief scritto, con testo cantato in inglese, cinese, giapponese, coreano o cantonese.
I limiti di Seed Audio 1.5
Limiti tratti dalla guida all'integrazione in accesso anticipato di ByteDance. Controllali prima di tagliare il video.
| Input | Limite |
|---|---|
| Durata del video | 4–360 secondi per richiesta |
| Formati video | MP4, MOV |
| Risoluzione video | 480p, 720p o 1080p |
| Dimensione del file video | Fino a 200 MB |
| Clip di riferimento per la voce | Fino a 6, da 2–30 s ciascuna, 180 s in totale |
| Audio per la separazione in stem | Un file, 2–360 s, fino a 90 MB, WAV o MP3 |
| Output | Valore |
|---|---|
| Audio più lungo per richiesta | 6 minuti |
| Tracce stem | Fino a 6 |
| Formati | WAV (predefinito), MP3, PCM, OGG Opus |
| Frequenza di campionamento predefinita | 44,1 kHz |
| Lingue per il parlato | 30 |
| Lingua di partenza della traduzione video | Inglese o cinese, oppure rilevata automaticamente |
Fonte: guida all'integrazione in accesso anticipato di ByteDance Seed Audio 1.5, ottobre 2026. I limiti potrebbero cambiare dopo il rilascio.
30 lingue
Seed Audio 1.5 parla queste lingue. La traduzione video parte dall'inglese o dal cinese e arriva a una qualsiasi di esse.
I testi delle canzoni sono supportati in un gruppo più ristretto di lingue: inglese, cinese, giapponese, coreano e cantonese.
Prompt che funzionano
La guida ai prompt di ByteDance descrive tre livelli: una descrizione semplice, uno script che fissa l'ordine degli eventi e una timeline con i secondi esatti. Parti dal semplice e aggiungi i timestamp solo dove i tempi contano. Gli esempi restano in inglese, perché il modello segue meglio le indicazioni in questa lingua.
Una voce narrante semplice
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.”
Prima i vincoli, poi la voce, poi le parole esatte. Dire cosa non deve comparire conta quanto dire cosa deve esserci.
Una scena con i tempi
[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.
I timestamp collocano ogni suono sulla timeline, così l'audio si allinea ai tagli che hai già fatto.
Cosa tenere d'occhio
Problemi incontrati durante i test e limiti che la documentazione dichiara con chiarezza.
- Nomi e parole rare possono variare da una versione all'altra. Nella traduzione in russo del nostro secondo film di prova, ambientato a Londra nel 1666, l'antico termine per un battello sul Tamigi è uscito sbagliato e il nome di un personaggio ha cambiato forma. La traduzione video accetta un glossario: elenca i nomi prima di avviarla.
- Il doppiaggio richiede una descrizione. Seed Audio 1.5 non scrive le battute da sé: devi dirgli cosa viene detto e cosa si sente.
- Produce suono, non movimento delle labbra. La voce tradotta mantiene i tempi dell'originale, ma le bocche sullo schermo non vengono ridisegnate.
- Una richiesta copre fino a 6 minuti. I video più lunghi vanno divisi, e un taglio a metà frase si sente: taglia in corrispondenza di una pausa.
- La traduzione video parte dall'inglese o dal cinese. Un video in un'altra lingua non può essere tradotto direttamente.
- Clona solo voci che hai il diritto di usare.
Domande frequenti su Seed Audio 1.5
Che cos'è Seed Audio 1.5?
Seed Audio 1.5 è un modello di generazione audio di ByteDance, uscito il 28 ottobre 2026. Produce parlato, effetti sonori e musica in un unico passaggio ed è la prima versione di Seed Audio che accetta video: è questo a rendere possibili il doppiaggio video e la traduzione video con la stessa voce.
Seed Audio 1.5 traduce un video mantenendo la stessa voce?
Sì. La traduzione video rifà il parlato in un'altra lingua mantenendo il carattere della voce di chi parla, e conserva gli effetti sonori e la musica originali. Nel nostro test una narrazione inglese di 9 minuti è tornata in 12 lingue, ognuna con la stessa durata dell'originale.
Quali lingue supporta Seed Audio 1.5?
30 lingue per il parlato, tra cui inglese, cinese, giapponese, coreano, spagnolo (Spagna e Messico), portoghese (Brasile e Portogallo), tedesco, francese, russo, arabo, hindi e italiano. La traduzione video parte dall'inglese o dal cinese e arriva a una qualsiasi delle 30.
Quanto può durare il video?
Una richiesta accetta un video da 4 a 360 secondi, fino a 200 MB, in 480p, 720p o 1080p. Per un film più lungo, dividilo in corrispondenza delle pause e traduci le parti una alla volta, come abbiamo fatto con il film di 9 minuti su Pompei.
Quanto ci mette una traduzione?
Nelle nostre prove ogni parte di circa quattro minuti e mezzo ha richiesto da 157 a 200 secondi per lingua.
Seed Audio 1.5 fa il lip sync?
No. Genera audio. La voce tradotta segue i tempi dell'originale, ma il video in sé, movimento delle labbra compreso, non viene modificato.
Può separare voce, musica ed effetti sonori?
Sì. Gli dai un file audio fino a 6 minuti e restituisce voci, effetti e musica come tracce separate, fino a sei in totale.
Cosa cambia rispetto a Seed Audio 1.0?
Seed Audio 1.5 aggiunge l'input video, che porta con sé doppiaggio e traduzione video. Aggiunge anche la separazione in stem e la musica fino a 6 minuti, accetta fino a sei clip di riferimento per la voce, produce fino a 6 minuti di audio per richiesta e parla 30 lingue.
Seed Audio 1.5 e Seed Audio 2.0 sono lo stesso modello?
Alcuni siti indicano il modello in arrivo come Seed Audio 2.0. La documentazione in accesso anticipato di ByteDance lo chiama Seed Audio 1.5, ed è il nome che usiamo anche noi.
Doitong è affiliata a ByteDance?
No. Doitong è una piattaforma video AI indipendente. Abbiamo avuto accesso anticipato a Seed Audio 1.5 e qui descriviamo i nostri risultati.
Cosa puoi fare con Seed Audio 1.5
Dai al tuo video una voce in un'altra lingua
Parti da una clip breve, controlla i nomi, poi elabora tutto il film.
Inizia con Doitong