Seed Audio 1.5: översätt och dubba video med samma röst
En modell för röst, ljudeffekter och musik, styrd av din video
Seed Audio 1.5 är ByteDances nya ljudmodell. Den tar en video, lyssnar på den och skriver ett nytt ljudspår: samma berättare som talar svenska eller japanska, en dubbning som följer bilden, eller röst, musik och effekter uppdelade i separata spår. Vi använde den i tidig åtkomst för att översätta en animerad film på 9 minuter till 12 språk. Här ser du vad den klarade, var den hasade till och hur du får samma resultat.
Doitong är en oberoende plattform och är inte knuten till ByteDance.
Vårt test: en film, 12 språk, samma berättare
Vi tog “The Last Ordinary Day in Pompeii”, en animerad historiefilm på 9 minuter med engelsk berättarröst, och körde den genom videoöversättningen i Seed Audio 1.5 en gång per språk. Spela upp videon och öppna Inställningar → Ljudspår för att växla mellan den engelska originalversionen och de 12 översättningarna. Välj Svenska för att höra den svenska versionen.
Ljudspår i videon: engelska (original) samt ryska, tyska, franska, spanska (Spanien), italienska, japanska, koreanska, nederländska, svenska, danska, norska och finska.
- Filmens längd
- 9:00
- Språk
- 12
- Tid per förfrågan
- 2,6–3,3 min
- Skillnad i längd
- < 0,03 s
Så genomförde vi testet
Siffrorna ovan kommer från våra egna loggar, inte från ett pressmeddelande. Tre detaljer är viktiga om du vill göra om testet.
Dela vid en paus
En förfrågan accepterar en video på 4 till 360 sekunder, så filmen på 9 minuter delades i två delar vid en naturlig paus: 4:43 och 4:17. Tolv språk gav 24 förfrågningar, och varje svar kom tillbaka efter 157 till 200 sekunder.
Längden höll
Varje översatt del kom tillbaka lika lång som originalet. Del ett blev 283,26 sekunder mot 283,29 för källan, del två 256,83 mot 256,83, och siffrorna var desamma i alla språk. Den nya berättarrösten passade mot bilden utan omtiming.
Vi skickade bara rösten
Vi gav modellen berättarrösten utan musik och mixade in vår egen musik och egna effekter efteråt. Att behålla musik och effekter i översättningen är en uttalad funktion i modellen, men just det här testet byggde inte på den.
Vad Seed Audio 1.5 kan göra
Version 1.5 är den första Seed Audio-modellen som tar emot video. Den enda förändringen öppnar för de flesta uppgifterna nedan.
Översätt en video med samma röst
Från engelska eller kinesiska till 30 språk. Rösten behåller talarens karaktär, och de ursprungliga effekterna och bakgrundsmusiken ligger kvar medan bara talet byts ut.
Dubba en video utifrån en beskrivning
Ge den en video och beskriv vad som ska höras: repliker, röster, effekter, musik. Den skapar ljud som följer bilden. Manuset hittar den inte på åt dig.
Dela upp ljud i stems
Ladda upp en ljudfil och få tillbaka röster, effekter och musik som separata spår, upp till sex stycken, redo för mixning.
Sätt ljud på ett tyst klipp
Be om ljudmiljö, steg, en dörr, ett musikunderlag och placera varje ljud på tidslinjen med tidsstämplar i prompten.
Klona en röst
Upp till sex referensklipp på 2 till 30 sekunder vardera bestämmer klangfärgen. Kombinera en referens med en video så talas dubbningen med den rösten.
Skriv sånger med text
Musik på upp till sex minuter utifrån en textbeskrivning, med sjungen text på engelska, kinesiska, japanska, koreanska eller kantonesiska.
Gränser för Seed Audio 1.5
Gränser från ByteDances integrationsguide för tidig åtkomst. Kontrollera dem innan du klipper din video.
| Indata | Gräns |
|---|---|
| Videons längd | 4–360 sekunder per förfrågan |
| Videoformat | MP4, MOV |
| Videoupplösning | 480p, 720p eller 1080p |
| Videons filstorlek | Upp till 200 MB |
| Referensklipp för röst | Upp till 6, 2–30 s vardera, totalt 180 s |
| Ljud för stemseparering | En fil, 2–360 s, upp till 90 MB, WAV eller MP3 |
| Utdata | Värde |
|---|---|
| Längsta ljud per förfrågan | 6 minuter |
| Stemspår | Upp till 6 |
| Format | WAV (standard), MP3, PCM, OGG Opus |
| Standardsamplingsfrekvens | 44,1 kHz |
| Språk för tal | 30 |
| Källspråk för videoöversättning | Engelska eller kinesiska, eller automatisk igenkänning |
Källa: ByteDances integrationsguide för tidig åtkomst till Seed Audio 1.5, oktober 2026. Gränserna kan ändras efter lanseringen.
30 språk
Seed Audio 1.5 talar dessa språk. Videoöversättning går från engelska eller kinesiska till vilket som helst av dem.
Sångtext stöds på en mindre uppsättning språk: engelska, kinesiska, japanska, koreanska och kantonesiska.
Prompter som fungerar
ByteDances promptguide beskriver tre nivåer: en enkel beskrivning, ett manus som anger händelseförloppet och en tidslinje med exakta sekunder. Börja enkelt och lägg bara till tidsstämplar där timingen spelar roll. Prompterna skrivs på engelska, eftersom modellen följer engelska regianvisningar bäst.
En enkel berättarröst
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.”
Först begränsningarna, sedan rösten, sedan de exakta orden. Att säga vad som inte får vara med är lika viktigt som att säga vad som ska vara med.
En tidsatt scen
[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.
Tidsstämplarna placerar varje ljud på tidslinjen, så att ljudet stämmer med de klipp du redan har gjort.
Att se upp med
Sådant vi stötte på under testerna, och sådant som dokumentationen är tydlig med.
- Namn och ovanliga ord kan variera mellan tagningar. I den ryska översättningen av vår andra testfilm, som utspelar sig i London 1666, blev det gamla ordet för en flodbåt på Themsen fel, och en rollfigurs namn ändrade form. Videoöversättningen accepterar en ordlista, så lista namnen innan du kör.
- Dubbning kräver en beskrivning. Seed Audio 1.5 skriver inga repliker på egen hand; berätta vad som sägs och vad som hörs.
- Den skapar ljud, inte läpprörelser. En översatt röst behåller originalets timing, men munnarna på skärmen ritas inte om.
- En förfrågan täcker upp till 6 minuter. Längre videor måste delas, och ett klipp mitt i en mening hörs, så klipp vid en paus.
- Videoöversättning utgår från engelska eller kinesiska. En video på ett annat språk kan inte översättas direkt.
- Klona bara röster som du har rätt att använda.
Vanliga frågor om Seed Audio 1.5
Vad är Seed Audio 1.5?
Seed Audio 1.5 är en ljudgenereringsmodell från ByteDance, lanserad den 28 oktober 2026. Den skapar tal, ljudeffekter och musik i ett svep och är den första Seed Audio-versionen som tar emot video, vilket är det som gör videodubbning och videoöversättning med samma röst möjlig.
Kan Seed Audio 1.5 översätta en video med samma röst?
Ja. Videoöversättningen läser in talet på ett annat språk och behåller talarens röstkaraktär, samtidigt som de ursprungliga ljudeffekterna och musiken ligger kvar. I vårt test kom en engelsk berättarröst på 9 minuter tillbaka på 12 språk, alla lika långa som originalet.
Vilka språk stöder Seed Audio 1.5?
30 språk för tal, bland annat engelska, kinesiska, japanska, koreanska, spanska (Spanien och Mexiko), portugisiska (Brasilien och Portugal), tyska, franska, ryska, arabiska och hindi. Videoöversättning går från engelska eller kinesiska till vilket som helst av de 30.
Hur lång får videon vara?
En förfrågan tar en video på 4 till 360 sekunder, upp till 200 MB, i 480p, 720p eller 1080p. För en längre film delar du den vid pauser och översätter delarna en i taget, så som vi gjorde med Pompeji-filmen på 9 minuter.
Hur lång tid tar en översättning?
I våra körningar tog varje del på ungefär fyra och en halv minut mellan 157 och 200 sekunder per språk.
Gör Seed Audio 1.5 läppsynk?
Nej. Den genererar ljud. Den översatta rösten följer originalets timing, men själva videon, inklusive munrörelser, ändras inte.
Kan den separera sång, musik och ljudeffekter?
Ja. Ge den en ljudfil på upp till 6 minuter så returnerar den röster, effekter och musik som separata spår, upp till sex totalt.
Vad skiljer från Seed Audio 1.0?
Seed Audio 1.5 lägger till videoinmatning, vilket ger videodubbning och videoöversättning. Den lägger också till stemseparering och musik på upp till 6 minuter, tar emot upp till sex referensklipp för röst, skapar upp till 6 minuter ljud per förfrågan och talar 30 språk.
Är Seed Audio 1.5 samma sak som Seed Audio 2.0?
Vissa sajter kallar den kommande modellen Seed Audio 2.0. I ByteDances dokumentation för tidig åtkomst heter den Seed Audio 1.5, och det är det namn vi använder.
Är Doitong knutet till ByteDance?
Nej. Doitong är en oberoende AI-videoplattform. Vi fick tidig åtkomst till Seed Audio 1.5 och beskriver här våra egna resultat.
Det här kan du göra med Seed Audio 1.5
Ge din video en röst på ett annat språk
Börja med ett kort klipp, kontrollera namnen och kör sedan hela filmen.
Kom igång i Doitong