Seed Audio 1.5: Videos mit derselben Stimme übersetzen und synchronisieren
Ein Modell für Stimme, Soundeffekte und Musik, gesteuert durch Ihr Video
Seed Audio 1.5 ist das neue Audiomodell von ByteDance. Es nimmt ein Video, hört es sich an und schreibt einen neuen Soundtrack: derselbe Sprecher auf Japanisch, eine Synchronisation, die dem Bild folgt, oder Stimme, Musik und Effekte als getrennte Spuren. Im frühen Zugang haben wir damit einen 9-minütigen Animationsfilm in 12 Sprachen übersetzt – Deutsch ist ebenfalls dabei. Hier sehen Sie, was das Modell geleistet hat, wo es gepatzt hat und wie Sie dasselbe Ergebnis erreichen.
Doitong ist eine unabhängige Plattform und steht in keiner Verbindung zu ByteDance.
Unser Test: ein Film, 12 Sprachen, derselbe Sprecher
Wir haben „The Last Ordinary Day in Pompeii“ genommen, einen 9-minütigen animierten Geschichtsfilm mit englischem Sprechertext, und ihn für jede Sprache einmal durch die Videoübersetzung von Seed Audio 1.5 geschickt. Spielen Sie das Video ab und wechseln Sie unter Einstellungen → Audiospur zwischen dem englischen Original und den 12 Übersetzungen. Für die deutsche Fassung wählen Sie dort „Deutsch“.
Audiospuren in diesem Video: Englisch (Original) sowie Russisch, Deutsch, Französisch, Spanisch (Spanien), Italienisch, Japanisch, Koreanisch, Niederländisch, Schwedisch, Dänisch, Norwegisch und Finnisch.
- Filmlänge
- 9:00
- Sprachen
- 12
- Dauer pro Anfrage
- 2,6–3,3 Min.
- Längenabweichung
- < 0,03 s
So haben wir den Test durchgeführt
Die Zahlen oben stammen aus unseren eigenen Logs, nicht aus einer Pressemitteilung. Drei Details sind wichtig, wenn Sie den Test nachstellen möchten.
An einer Pause teilen
Eine Anfrage akzeptiert ein Video von 4 bis 360 Sekunden. Deshalb ging der 9-Minuten-Film in zwei Teilen hinein, geschnitten an einer natürlichen Pause: 4:43 und 4:17. Bei zwölf Sprachen ergab das 24 Anfragen, und jede kam nach 157 bis 200 Sekunden zurück.
Die Länge blieb gleich
Jeder übersetzte Teil kam in der Länge des Originals zurück. Teil eins hatte 283,26 Sekunden gegenüber 283,29 im Original, Teil zwei 256,83 gegenüber 256,83 – und in allen Sprachen waren die Werte identisch. Der neue Sprechertext passte ohne Anpassung des Timings zum Bild.
Wir haben nur die Stimme geschickt
Wir haben dem Modell den Sprechertext ohne Musik gegeben und unsere eigene Musik und die Effekte danach wieder eingemischt. Musik und Effekte in der Übersetzung zu behalten, ist ein erklärtes Feature des Modells, aber dieser Test hat sich nicht darauf gestützt.
Was Seed Audio 1.5 kann
Version 1.5 ist das erste Seed-Audio-Modell, das Video annimmt. Diese eine Neuerung ermöglicht die meisten der folgenden Anwendungen.
Ein Video mit derselben Stimme übersetzen
Aus dem Englischen oder Chinesischen in 30 Sprachen. Die Stimme behält den Charakter des Sprechers, und die ursprünglichen Effekte und die Hintergrundmusik bleiben erhalten – nur die Sprache ändert sich.
Ein Video nach Beschreibung synchronisieren
Geben Sie ein Video vor und beschreiben Sie, was zu hören sein soll: die Texte, die Stimmen, die Effekte, die Musik. Das Modell erzeugt Audio, das dem Bild folgt. Das Drehbuch erfindet es nicht für Sie.
Audio in Stems aufteilen
Laden Sie eine Audiodatei hoch und erhalten Sie Stimmen, Effekte und Musik als getrennte Spuren zurück, bis zu sechs, bereit für die Mischung.
Einen stummen Clip vertonen
Fordern Sie Atmosphäre, Schritte, eine Tür oder ein Musikbett an und platzieren Sie jedes Element per Zeitstempel im Prompt auf der Timeline.
Eine Stimme klonen
Bis zu sechs Referenzclips von je 2 bis 30 Sekunden legen das Timbre fest. Kombinieren Sie eine Referenz mit einem Video, wird die Synchronisation in dieser Stimme gesprochen.
Songs mit Text schreiben
Musik von bis zu sechs Minuten Länge aus einem Textbriefing, mit gesungenem Text auf Englisch, Chinesisch, Japanisch, Koreanisch oder Kantonesisch.
Limits von Seed Audio 1.5
Limits aus dem Integrationsleitfaden für den frühen Zugang von ByteDance. Prüfen Sie sie, bevor Sie Ihr Video schneiden.
| Eingabe | Limit |
|---|---|
| Videolänge | 4–360 Sekunden pro Anfrage |
| Videoformate | MP4, MOV |
| Videoauflösung | 480p, 720p oder 1080p |
| Dateigröße des Videos | Bis zu 200 MB |
| Referenzclips für die Stimme | Bis zu 6, je 2–30 s, insgesamt 180 s |
| Audio für die Stem-Trennung | Eine Datei, 2–360 s, bis zu 90 MB, WAV oder MP3 |
| Ausgabe | Wert |
|---|---|
| Längstes Audio pro Anfrage | 6 Minuten |
| Stem-Spuren | Bis zu 6 |
| Formate | WAV (Standard), MP3, PCM, OGG Opus |
| Standard-Samplerate | 44,1 kHz |
| Sprachen für Sprache | 30 |
| Quellsprache der Videoübersetzung | Englisch oder Chinesisch, oder automatisch erkannt |
Quelle: Integrationsleitfaden für den frühen Zugang zu ByteDance Seed Audio 1.5, Oktober 2026. Die Limits können sich nach der Veröffentlichung ändern.
30 Sprachen
Seed Audio 1.5 spricht diese Sprachen. Die Videoübersetzung geht vom Englischen oder Chinesischen in jede davon.
Gesungene Texte in Songs werden nur in einer kleineren Auswahl unterstützt: Englisch, Chinesisch, Japanisch, Koreanisch und Kantonesisch.
Prompts, die funktionieren
Der Prompt-Leitfaden von ByteDance beschreibt drei Stufen: eine einfache Beschreibung, ein Skript, das die Reihenfolge der Ereignisse festlegt, und eine Timeline mit exakten Sekunden. Beginnen Sie einfach und setzen Sie Zeitstempel nur dort, wo das Timing zählt. Die Prompt-Beispiele bleiben auf Englisch, weil das Modell englische Regieanweisungen am besten befolgt.
Ein einfaches 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.”
Zuerst die Einschränkungen, dann die Stimme, dann der genaue Wortlaut. Zu sagen, was nicht vorkommen darf, ist genauso wichtig wie das, was vorkommen soll.
Eine getaktete Szene
[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.
Zeitstempel platzieren jeden Sound auf der Timeline, sodass das Audio zu den Schnitten passt, die Sie bereits gesetzt haben.
Worauf Sie achten sollten
Was uns im Test aufgefallen ist und was die Dokumentation klar benennt.
- Namen und seltene Wörter können zwischen den Durchläufen abweichen. In der russischen Übersetzung unseres zweiten Testfilms, der 1666 in London spielt, wurde das alte Wort für ein Themse-Boot falsch wiedergegeben, und der Name einer Figur änderte seine Form. Die Videoübersetzung akzeptiert ein Glossar – tragen Sie die Namen also ein, bevor Sie starten.
- Für das Dubbing brauchen Sie eine Beschreibung. Seed Audio 1.5 schreibt keine Texte von selbst; sagen Sie ihm, was gesprochen wird und was zu hören ist.
- Es erzeugt Ton, keine Lippenbewegungen. Eine übersetzte Stimme behält das Timing des Originals, aber die Münder im Bild werden nicht neu gezeichnet.
- Eine Anfrage deckt bis zu 6 Minuten ab. Längere Videos müssen geteilt werden, und ein Schnitt mitten im Satz ist hörbar – schneiden Sie also an einer Pause.
- Die Videoübersetzung geht von Englisch oder Chinesisch aus. Ein Video in einer anderen Sprache lässt sich nicht direkt übersetzen.
- Klonen Sie nur Stimmen, die Sie verwenden dürfen.
FAQ zu Seed Audio 1.5
Was ist Seed Audio 1.5?
Seed Audio 1.5 ist ein Audiogenerierungsmodell von ByteDance, veröffentlicht am 28. Oktober 2026. Es erzeugt Sprache, Soundeffekte und Musik in einem Durchgang und ist die erste Seed-Audio-Version, die Video annimmt. Genau das macht Video-Dubbing und die Videoübersetzung mit derselben Stimme möglich.
Kann Seed Audio 1.5 ein Video mit derselben Stimme übersetzen?
Ja. Die Videoübersetzung vertont die Sprache in einer anderen Sprache neu, behält dabei den Stimmcharakter des Sprechers bei und erhält die ursprünglichen Soundeffekte und die Musik. In unserem Test kam ein 9-minütiger englischer Sprechertext in 12 Sprachen zurück, jeweils in der Länge des Originals.
Welche Sprachen unterstützt Seed Audio 1.5?
30 Sprachen für Sprache, darunter Englisch, Chinesisch, Japanisch, Koreanisch, Spanisch (Spanien und Mexiko), Portugiesisch (Brasilien und Portugal), Deutsch, Französisch, Russisch, Arabisch und Hindi. Die Videoübersetzung geht vom Englischen oder Chinesischen in jede der 30 Sprachen.
Wie lang darf das Video sein?
Eine Anfrage nimmt ein Video von 4 bis 360 Sekunden mit bis zu 200 MB in 480p, 720p oder 1080p an. Teilen Sie einen längeren Film an Pausen und übersetzen Sie die Teile nacheinander, so wie wir es beim 9-minütigen Pompeji-Film gemacht haben.
Wie lange dauert eine Übersetzung?
In unseren Durchläufen brauchte jeder Teil von etwa viereinhalb Minuten pro Sprache zwischen 157 und 200 Sekunden.
Bietet Seed Audio 1.5 Lippensynchronisation?
Nein. Es erzeugt Audio. Die übersetzte Stimme folgt dem Timing des Originals, aber das Video selbst, einschließlich der Mundbewegungen, wird nicht verändert.
Kann es Gesang, Musik und Soundeffekte trennen?
Ja. Geben Sie ihm eine Audiodatei von bis zu 6 Minuten, und es liefert Stimmen, Effekte und Musik als getrennte Spuren zurück, insgesamt bis zu sechs.
Was hat sich gegenüber Seed Audio 1.0 geändert?
Seed Audio 1.5 ergänzt die Videoeingabe, die Video-Dubbing und Videoübersetzung erst möglich macht. Dazu kommen die Stem-Trennung und Musik von bis zu 6 Minuten, bis zu sechs Referenzclips für Stimmen, bis zu 6 Minuten Audio pro Anfrage und 30 Sprachen.
Ist Seed Audio 1.5 dasselbe wie Seed Audio 2.0?
Einige Seiten führen das kommende Modell als Seed Audio 2.0. In der Dokumentation von ByteDance zum frühen Zugang heißt es Seed Audio 1.5, und diesen Namen verwenden auch wir.
Ist Doitong mit ByteDance verbunden?
Nein. Doitong ist eine unabhängige KI-Video-Plattform. Wir hatten frühen Zugang zu Seed Audio 1.5 und beschreiben hier unsere eigenen Ergebnisse.
Was Sie mit Seed Audio 1.5 machen können
Geben Sie Ihrem Video eine Stimme in einer anderen Sprache
Beginnen Sie mit einem kurzen Clip, prüfen Sie die Namen und übersetzen Sie dann den ganzen Film.
Jetzt in Doitong starten