Seed Audio 1.5: traduce y dobla vídeos con la misma voz
Un solo modelo para voz, efectos de sonido y música, guiado por tu vídeo
Seed Audio 1.5 es el nuevo modelo de audio de ByteDance. Toma un vídeo, lo escucha y escribe una banda sonora nueva: el mismo narrador hablando en japonés o en español, un doblaje que sigue la imagen, o la voz, la música y los efectos separados en pistas independientes. Lo usamos en acceso anticipado para traducir una película de animación de 9 minutos a 12 idiomas. Aquí te contamos qué hizo, dónde falló y cómo conseguir el mismo resultado.
Doitong es una plataforma independiente y no está afiliada a ByteDance.
Nuestra prueba: una película, 12 idiomas, el mismo narrador
Tomamos “The Last Ordinary Day in Pompeii”, una película de animación histórica de 9 minutos con narración en inglés, y la pasamos por la traducción de vídeo de Seed Audio 1.5 una vez por idioma. Reproduce el vídeo y abre Configuración → Pista de audio para alternar entre el original en inglés y las 12 traducciones; para escucharla en español, elige la pista Español (España).
Pistas de audio de este vídeo: inglés (original) y ruso, alemán, francés, español (España), italiano, japonés, coreano, holandés, sueco, danés, noruego y finés.
- Duración de la película
- 9:00
- Idiomas
- 12
- Tiempo por solicitud
- 2,6–3,3 min
- Diferencia de duración
- < 0,03 s
Cómo hicimos la prueba
Las cifras de arriba salen de nuestros propios registros, no de una nota de prensa. Si quieres repetirla, hay tres detalles que importan.
Cortar en una pausa
Cada solicitud admite un vídeo de entre 4 y 360 segundos, así que la película de 9 minutos entró en dos partes cortadas en una pausa natural: 4:43 y 4:17. Doce idiomas supusieron 24 solicitudes, y cada una tardó entre 157 y 200 segundos en volver.
La duración se mantuvo
Todas las partes traducidas volvieron con la misma duración que el original. La primera parte salió con 283,26 segundos frente a los 283,29 de la fuente, la segunda con 256,83 frente a 256,83, y las cifras fueron las mismas en todos los idiomas. La nueva narración encajó sobre la imagen sin tener que reajustar tiempos.
Enviamos solo la voz
Le pasamos al modelo la narración sin música y mezclamos después nuestra propia banda sonora y los efectos. Conservar la música y los efectos dentro de la traducción es una función declarada del modelo, pero esta prueba en concreto no dependió de ella.
Qué puede hacer Seed Audio 1.5
La versión 1.5 es el primer modelo de Seed Audio que acepta vídeo. Ese único cambio da pie a casi todo lo que sigue.
Traducir un vídeo con la misma voz
Del inglés o del chino a 30 idiomas. La voz conserva el carácter del hablante, y los efectos originales y la música de fondo siguen en su sitio mientras solo cambia el habla.
Doblar un vídeo a partir de una descripción
Dale un vídeo y describe lo que debe oírse: los diálogos, las voces, los efectos, la música. Genera audio que sigue la imagen. Lo que no hace es inventarse el guion por ti.
Separar el audio en stems
Pásale un archivo de audio y te devuelve voces, efectos y música como pistas independientes, hasta seis, listas para una sesión de mezcla.
Sonorizar un clip mudo
Pide ambiente, pasos, una puerta, una base musical, y sitúa cada sonido en la línea de tiempo con marcas de tiempo en el prompt.
Clonar una voz
Hasta seis clips de referencia de entre 2 y 30 segundos cada uno definen el timbre. Si combinas una referencia con un vídeo, el doblaje se pronuncia con esa voz.
Escribir canciones con letra
Música de hasta seis minutos a partir de un texto, con letra cantada en inglés, chino, japonés, coreano o cantonés.
Límites de Seed Audio 1.5
Límites de la guía de integración de acceso anticipado de ByteDance. Revísalos antes de cortar tu vídeo.
| Entrada | Límite |
|---|---|
| Duración del vídeo | 4–360 segundos por solicitud |
| Formatos de vídeo | MP4, MOV |
| Resolución del vídeo | 480p, 720p o 1080p |
| Tamaño del archivo de vídeo | Hasta 200 MB |
| Clips de referencia de voz | Hasta 6, de 2–30 s cada uno, 180 s en total |
| Audio para separar en stems | Un archivo, 2–360 s, hasta 90 MB, WAV o MP3 |
| Salida | Valor |
|---|---|
| Audio más largo por solicitud | 6 minutos |
| Pistas de stems | Hasta 6 |
| Formatos | WAV (por defecto), MP3, PCM, OGG Opus |
| Frecuencia de muestreo por defecto | 44,1 kHz |
| Idiomas para el habla | 30 |
| Origen de la traducción de vídeo | Inglés o chino, o detección automática |
Fuente: guía de integración de acceso anticipado de Seed Audio 1.5 de ByteDance, octubre de 2026. Los límites pueden cambiar tras el lanzamiento.
30 idiomas
Seed Audio 1.5 habla estos idiomas. La traducción de vídeo va del inglés o del chino a cualquiera de ellos.
Las letras de canciones se admiten en un conjunto más reducido: inglés, chino, japonés, coreano y cantonés.
Prompts que funcionan
La guía de prompts de ByteDance describe tres niveles: una descripción sencilla, un guion que fija el orden de los hechos y una línea de tiempo con segundos exactos. Empieza por lo sencillo y añade marcas de tiempo solo donde el momento importe. Los ejemplos se quedan en inglés, el idioma en el que el modelo sigue mejor las indicaciones.
Una locución sencilla
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.”
Primero las restricciones, luego la voz y después las palabras exactas. Decir lo que no debe aparecer importa tanto como decir lo que sí.
Una escena con tiempos
[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.
Las marcas de tiempo sitúan cada sonido en la línea de tiempo, de modo que el audio encaja con los cortes que ya has hecho.
A qué hay que prestar atención
Cosas con las que nos topamos en las pruebas y cosas que la documentación deja claras.
- Los nombres y las palabras poco comunes pueden variar de una toma a otra. En la traducción al ruso de nuestra segunda película de prueba, ambientada en Londres en 1666, el término antiguo para una barca del Támesis salió mal y el nombre de un personaje cambió de forma. La traducción de vídeo admite un glosario, así que anota los nombres antes de lanzarla.
- El doblaje necesita una descripción. Seed Audio 1.5 no escribe diálogos por su cuenta: dile qué se dice y qué se oye.
- Genera sonido, no movimiento de labios. Una voz traducida mantiene el tiempo del original, pero las bocas en pantalla no se redibujan.
- Cada solicitud cubre hasta 6 minutos. Los vídeos más largos hay que dividirlos, y un corte en mitad de una frase se nota, así que corta en una pausa.
- La traducción de vídeo parte del inglés o del chino. Un vídeo en otro idioma no se puede traducir directamente.
- Clona solo voces que tengas derecho a usar.
Preguntas frecuentes sobre Seed Audio 1.5
¿Qué es Seed Audio 1.5?
Seed Audio 1.5 es un modelo de generación de audio de ByteDance, lanzado el 28 de octubre de 2026. Produce habla, efectos de sonido y música de una sola vez y es la primera versión de Seed Audio que acepta vídeo, lo que hace posibles el doblaje de vídeo y la traducción de vídeo con la misma voz.
¿Seed Audio 1.5 traduce un vídeo con la misma voz?
Sí. La traducción de vídeo vuelve a locutar el habla en otro idioma conservando el carácter de la voz del hablante, y mantiene los efectos de sonido y la música originales. En nuestra prueba, una narración en inglés de 9 minutos volvió en 12 idiomas, cada una con la misma duración que el original.
¿Qué idiomas admite Seed Audio 1.5?
30 idiomas para el habla, entre ellos inglés, chino, japonés, coreano, español (de España y de México), portugués (de Brasil y de Portugal), alemán, francés, ruso, árabe e hindi. La traducción de vídeo va del inglés o del chino a cualquiera de los 30.
¿Cuánto puede durar el vídeo?
Cada solicitud admite un vídeo de entre 4 y 360 segundos, de hasta 200 MB, en 480p, 720p o 1080p. Si la película es más larga, divídela en pausas y traduce las partes una a una, como hicimos con la película de Pompeya de 9 minutos.
¿Cuánto tarda una traducción?
En nuestras pruebas, cada parte de unos cuatro minutos y medio tardó entre 157 y 200 segundos por idioma.
¿Seed Audio 1.5 hace sincronización labial?
No. Genera audio. La voz traducida sigue el ritmo del original, pero el vídeo en sí, incluido el movimiento de los labios, no se modifica.
¿Puede separar voces, música y efectos de sonido?
Sí. Dale un archivo de audio de hasta 6 minutos y te devuelve voces, efectos y música como pistas separadas, hasta seis en total.
¿Qué ha cambiado respecto a Seed Audio 1.0?
Seed Audio 1.5 añade la entrada de vídeo, que es lo que permite el doblaje y la traducción de vídeo. También añade la separación en stems y música de hasta 6 minutos, acepta hasta seis clips de referencia de voz, genera hasta 6 minutos de audio por solicitud y habla 30 idiomas.
¿Seed Audio 1.5 es lo mismo que Seed Audio 2.0?
Algunas webs mencionan el próximo modelo como Seed Audio 2.0. La documentación de acceso anticipado de ByteDance lo llama Seed Audio 1.5, y ese es el nombre que usamos.
¿Está Doitong afiliada a ByteDance?
No. Doitong es una plataforma de vídeo con IA independiente. Tuvimos acceso anticipado a Seed Audio 1.5 y aquí describimos nuestros propios resultados.
Qué puedes hacer con Seed Audio 1.5
Dale a tu vídeo una voz en otro idioma
Empieza con un clip corto, revisa los nombres y luego lanza la película entera.
Empezar en Doitong