Seed Audio 1.5: tłumaczenie i dubbing wideo tym samym głosem
Jeden model do głosu, efektów dźwiękowych i muzyki, sterowany Twoim wideo
Seed Audio 1.5 to nowy model audio od ByteDance. Bierze wideo, słucha go i pisze nową ścieżkę dźwiękową: ten sam narrator mówiący po japońsku, dubbing dopasowany do obrazu albo głos, muzyka i efekty rozdzielone na osobne ścieżki. W dostępie wczesnym użyliśmy go do przetłumaczenia 9-minutowego filmu animowanego na 12 języków. Pokazujemy, co się udało, gdzie model się potknął i jak uzyskać taki sam wynik. Wideo przetłumaczysz też na polski.
Doitong to niezależna platforma i nie jest powiązana z ByteDance.
Nasz test: jeden film, 12 języków, ten sam narrator
Wzięliśmy „The Last Ordinary Day in Pompeii”, 9-minutowy animowany film historyczny z angielską narracją, i przepuściliśmy go przez tłumaczenie wideo w Seed Audio 1.5, osobno dla każdego języka. Włącz film i wybierz Ustawienia → Ścieżka audio, aby przełączać się między angielskim oryginałem a 12 tłumaczeniami.
Ścieżki audio w tym filmie: angielska (oryginał) oraz rosyjska, niemiecka, francuska, hiszpańska (Hiszpania), włoska, japońska, koreańska, niderlandzka, szwedzka, duńska, norweska i fińska.
- Długość filmu
- 9:00
- Języki
- 12
- Czas na zapytanie
- 2,6–3,3 min
- Różnica długości
- < 0,03 s
Jak przeprowadziliśmy test
Liczby powyżej pochodzą z naszych własnych logów, a nie z komunikatu prasowego. Jeśli chcesz powtórzyć test, liczą się trzy szczegóły.
Cięcie w pauzie
Jedno zapytanie przyjmuje wideo od 4 do 360 sekund, więc 9-minutowy film poszedł w dwóch częściach, przeciętych w naturalnej pauzie: 4:43 i 4:17. Dwanaście języków oznaczało 24 zapytania, a każde wróciło po 157–200 sekundach.
Długość się zgadzała
Każda przetłumaczona część miała dokładnie tyle samo co oryginał. Część pierwsza wróciła z wynikiem 283,26 s przy 283,29 s w źródle, część druga 256,83 s przy 256,83 s, a w każdym języku liczby wyszły takie same. Nowa narracja wpasowała się w obraz bez żadnej korekty czasu.
Wysłaliśmy sam głos
Modelowi daliśmy narrację bez muzyki, a własną muzykę i efekty dołożyliśmy do miksu później. Zachowanie muzyki i efektów w tłumaczeniu to deklarowana funkcja modelu, ale ten konkretny test na niej nie polegał.
Co potrafi Seed Audio 1.5
Wersja 1.5 to pierwszy model Seed Audio, który przyjmuje wideo. Ta jedna zmiana otwiera większość zastosowań poniżej.
Tłumaczenie wideo tym samym głosem
Z angielskiego lub chińskiego na 30 języków. Głos zachowuje charakter mówiącego, a oryginalne efekty i muzyka w tle zostają na miejscu, zmienia się tylko mowa.
Dubbing wideo na podstawie opisu
Podaj wideo i opisz, co ma być słychać: kwestie, głosy, efekty, muzykę. Model tworzy dźwięk dopasowany do obrazu. Scenariusza za Ciebie nie wymyśli.
Rozdzielanie dźwięku na stemy
Wgraj plik audio i dostań głosy, efekty oraz muzykę jako osobne ścieżki, maksymalnie sześć, gotowe do sesji miksowania.
Dźwięk do niemego klipu
Poproś o tło dźwiękowe, kroki, skrzypnięcie drzwi, podkład muzyczny i ustaw każdy element na osi czasu za pomocą znaczników czasu w prompcie.
Klonowanie głosu
Maksymalnie sześć nagrań referencyjnych, każde po 2–30 sekund, wyznacza barwę głosu. Połącz nagranie referencyjne z wideo, a dubbing zostanie wypowiedziany tym głosem.
Piosenki z tekstem
Muzyka do sześciu minut na podstawie opisu tekstowego, ze śpiewanym tekstem po angielsku, chińsku, japońsku, koreańsku lub kantońsku.
Limity Seed Audio 1.5
Limity z przewodnika integracji ByteDance dla wczesnego dostępu. Sprawdź je, zanim zaczniesz ciąć wideo.
| Wejście | Limit |
|---|---|
| Długość wideo | 4–360 sekund na zapytanie |
| Formaty wideo | MP4, MOV |
| Rozdzielczość wideo | 480p, 720p lub 1080p |
| Rozmiar pliku wideo | Do 200 MB |
| Nagrania referencyjne głosu | Do 6, po 2–30 s każde, łącznie 180 s |
| Audio do rozdzielania na stemy | Jeden plik, 2–360 s, do 90 MB, WAV lub MP3 |
| Wyjście | Wartość |
|---|---|
| Najdłuższe audio na zapytanie | 6 minut |
| Ścieżki stemów | Do 6 |
| Formaty | WAV (domyślnie), MP3, PCM, OGG Opus |
| Domyślna częstotliwość próbkowania | 44,1 kHz |
| Języki mowy | 30 |
| Język źródłowy tłumaczenia wideo | Angielski lub chiński, albo wykrywany automatycznie |
Źródło: przewodnik integracji ByteDance Seed Audio 1.5 dla wczesnego dostępu, październik 2026. Limity mogą się zmienić po premierze.
30 języków
Seed Audio 1.5 mówi w tych językach. Tłumaczenie wideo działa z angielskiego lub chińskiego na każdy z nich.
Śpiewany tekst w piosenkach obsługuje mniejszy zestaw: angielski, chiński, japoński, koreański i kantoński.
Prompty, które działają
Przykłady promptów zostają po angielsku, bo model najlepiej reaguje na angielskie wskazówki reżyserskie. Poradnik ByteDance opisuje trzy poziomy: zwykły opis, scenariusz ustalający kolejność zdarzeń i oś czasu z dokładnymi sekundami. Zacznij od prostego opisu, a znaczniki czasu dodawaj tylko tam, gdzie liczy się timing.
Zwykły lektor
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.”
Najpierw ograniczenia, potem głos, na końcu dokładny tekst. Napisanie, czego ma nie być, jest tak samo ważne jak napisanie, co ma być.
Scena z czasem
[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.
Znaczniki czasu umieszczają każdy dźwięk na osi czasu, dzięki czemu audio pasuje do cięć, które już zrobiłeś.
Na co uważać
Rzeczy, na które trafiliśmy w testach, oraz te, o których dokumentacja mówi wprost.
- Imiona i rzadkie słowa mogą się zmieniać między podejściami. W rosyjskim tłumaczeniu naszego drugiego filmu testowego, osadzonego w Londynie w 1666 roku, stare określenie łodzi rzecznej na Tamizie wyszło błędnie, a imię jednej z postaci zmieniło formę. Tłumaczenie wideo przyjmuje słownik, więc wypisz imiona i nazwy przed uruchomieniem.
- Dubbing wymaga opisu. Seed Audio 1.5 sam nie pisze kwestii; powiedz mu, co jest mówione i co ma być słychać.
- Model tworzy dźwięk, nie ruch ust. Przetłumaczony głos zachowuje timing oryginału, ale usta na ekranie nie są przerysowywane.
- Jedno zapytanie obejmuje do 6 minut. Dłuższe wideo trzeba podzielić, a cięcie w połowie zdania słychać, więc tnij w pauzie.
- Tłumaczenie wideo startuje z angielskiego lub chińskiego. Wideo w innym języku nie przetłumaczysz bezpośrednio.
- Klonuj tylko te głosy, do których masz prawa.
Seed Audio 1.5 – najczęstsze pytania
Czym jest Seed Audio 1.5?
Seed Audio 1.5 to model generowania dźwięku od ByteDance, wydany 28 października 2026. Tworzy mowę, efekty dźwiękowe i muzykę w jednym przebiegu i jest pierwszą wersją Seed Audio, która przyjmuje wideo. Dzięki temu możliwy jest dubbing wideo i tłumaczenie wideo tym samym głosem.
Czy Seed Audio 1.5 tłumaczy wideo tym samym głosem?
Tak. Tłumaczenie wideo nagrywa mowę od nowa w innym języku, zachowując charakter głosu mówiącego oraz oryginalne efekty dźwiękowe i muzykę. W naszym teście 9-minutowa angielska narracja wróciła w 12 językach, a każda wersja miała taką samą długość jak oryginał.
Jakie języki obsługuje Seed Audio 1.5?
30 języków mowy, w tym angielski, chiński, japoński, koreański, hiszpański (Hiszpania i Meksyk), portugalski (Brazylia i Portugalia), niemiecki, francuski, rosyjski, arabski, hindi i polski. Tłumaczenie wideo działa z angielskiego lub chińskiego na dowolny z tych 30 języków.
Jak długie może być wideo?
Jedno zapytanie przyjmuje wideo od 4 do 360 sekund, do 200 MB, w rozdzielczości 480p, 720p lub 1080p. Dłuższy film podziel w pauzach i tłumacz części po kolei, tak jak zrobiliśmy z 9-minutowym filmem o Pompejach.
Ile trwa tłumaczenie wideo?
W naszych testach każda część o długości około czterech i pół minuty zajmowała od 157 do 200 sekund na język.
Czy Seed Audio 1.5 robi lip sync?
Nie. Model generuje dźwięk. Przetłumaczony głos zachowuje timing oryginału, ale samo wideo, w tym ruch ust, nie jest zmieniane.
Czy da się oddzielić wokal, muzykę i efekty dźwiękowe?
Tak. Wgraj plik audio do 6 minut, a model zwróci głosy, efekty i muzykę jako osobne ścieżki, maksymalnie sześć.
Co zmieniło się względem Seed Audio 1.0?
Seed Audio 1.5 dodaje wejście wideo, a z nim dubbing wideo i tłumaczenie wideo. Dochodzi też rozdzielanie ścieżek (stemów) i muzyka do 6 minut, do sześciu nagrań referencyjnych głosu, do 6 minut audio na zapytanie oraz 30 języków mowy.
Czy Seed Audio 1.5 to to samo co Seed Audio 2.0?
Niektóre strony podają nadchodzący model jako Seed Audio 2.0. Dokumentacja wczesnego dostępu ByteDance nazywa go Seed Audio 1.5 i tej nazwy używamy my.
Czy Doitong jest powiązany z ByteDance?
Nie. Doitong to niezależna platforma wideo AI. Mieliśmy wczesny dostęp do Seed Audio 1.5 i opisujemy tu własne wyniki.
Co możesz zrobić z Seed Audio 1.5
Daj swojemu wideo głos w innym języku
Zacznij od jednego krótkiego klipu, sprawdź imiona i nazwy, a potem przetłumacz cały film.
Zacznij w Doitong