Seed Audio 1.5: traduce y dobla videos con la misma voz
Un solo modelo para voz, efectos de sonido y música, guiado por tu video
Seed Audio 1.5 es el nuevo modelo de audio de ByteDance. Toma un video, lo escucha y escribe una banda sonora nueva: el mismo narrador hablando en japonés, 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 animada de 9 minutos a 12 idiomas, y también puedes traducir tu video al español. Aquí te contamos qué hizo bien, 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 animada de historia de 9 minutos con narración en inglés, y la procesamos con la traducción de video de Seed Audio 1.5 una vez por idioma. Reproduce el video 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 video: inglés (original) más ruso, alemán, francés, español (España), italiano, japonés, coreano, neerlandés, 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 un comunicado de prensa. Hay tres detalles que importan si quieres repetirla.
Corte en una pausa
Cada solicitud acepta un video de entre 4 y 360 segundos, así que la película de 9 minutos se envió 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 responder.
La duración se mantuvo
Cada parte traducida volvió con la misma duración que el original. La primera parte salió con 283,26 segundos frente a 283,29 del original, 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 reajustar tiempos.
Enviamos solo la voz
Le dimos 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 video. Ese único cambio hace posible casi todo lo que sigue.
Traduce un video 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 se quedan donde están: solo cambia el habla.
Dobla un video a partir de una descripción
Dale un video y describe lo que debe oírse: los diálogos, las voces, los efectos, la música. Genera audio que sigue la imagen. No te inventa el guion.
Separa el audio en stems
Dale un archivo de audio y recibe de vuelta voces, efectos y música como pistas independientes, hasta seis, listas para una sesión de mezcla.
Sonoriza un clip mudo
Pide ambiente, pasos, una puerta, una base musical, y coloca cada elemento en la línea de tiempo con marcas de tiempo en el prompt.
Clona una voz
Hasta seis clips de referencia de 2 a 30 segundos cada uno definen el timbre. Combina una referencia con un video y el doblaje se habla con esa voz.
Escribe canciones con letra
Música de hasta seis minutos a partir de una descripción de texto, con letra cantada en inglés, chino, japonés, coreano o cantonés.
Límites de Seed Audio 1.5
Límites tomados de la guía de integración de acceso anticipado de ByteDance. Revísalos antes de cortar tu video.
| Entrada | Límite |
|---|---|
| Duración del video | 4–360 segundos por solicitud |
| Formatos de video | MP4, MOV |
| Resolución del video | 480p, 720p o 1080p |
| Tamaño del archivo de video | Hasta 200 MB |
| Clips de referencia de voz | Hasta 6, de 2 a 30 s cada uno, 180 s en total |
| Audio para separar 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 (predeterminado), MP3, PCM, OGG Opus |
| Frecuencia de muestreo predeterminada | 44,1 kHz |
| Idiomas de habla | 30 |
| Origen de la traducción de video | 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 después del lanzamiento.
30 idiomas
Seed Audio 1.5 habla estos idiomas. La traducción de video va del inglés o del chino a cualquiera de ellos.
La letra de las canciones se admite 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 eventos y una línea de tiempo con segundos exactos. Empieza por lo sencillo y añade marcas de tiempo solo donde el timing importe. Los prompts se mantienen en inglés porque el modelo sigue mejor las indicaciones en ese idioma.
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 al final las palabras exactas. Decir qué no debe aparecer importa tanto como decir qué 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 colocan cada sonido en la línea de tiempo, de modo que el audio coincide con los cortes que ya has hecho.
Qué debes tener en cuenta
Lo que nos encontramos en las pruebas y lo que la documentación deja claro.
- Los nombres y las palabras poco comunes pueden variar entre tomas. En la traducción al ruso de nuestra segunda película de prueba, ambientada en Londres en 1666, la palabra antigua para un bote fluvial del Támesis salió mal y el nombre de un personaje cambió de forma. La traducción de video admite un glosario, así que enumera los nombres antes de ejecutarla.
- 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 timing del original, pero las bocas en pantalla no se vuelven a dibujar.
- Una solicitud cubre hasta 6 minutos. Los videos más largos hay que dividirlos, y un corte a mitad de frase se nota, así que corta en una pausa.
- La traducción de video parte del inglés o del chino. Un video 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 voz, efectos de sonido y música en una sola pasada y es la primera versión de Seed Audio que acepta video, lo que hace posible el doblaje de video y la traducción de video con la misma voz.
¿Seed Audio 1.5 traduce un video con la misma voz?
Sí. La traducción de video 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 de habla, entre ellos inglés, chino, japonés, coreano, español (España y México), portugués (Brasil y Portugal), alemán, francés, ruso, árabe e hindi. La traducción de video va del inglés o del chino a cualquiera de los 30.
¿Cuánto puede durar el video?
Cada solicitud acepta un video de 4 a 360 segundos, de hasta 200 MB, en 480p, 720p o 1080p. Para una película más larga, divídela en las pausas y traduce las partes una por 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 timing del original, pero el video 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 devuelve voces, efectos y música como pistas separadas, hasta seis en total.
¿Qué cambió respecto a Seed Audio 1.0?
Seed Audio 1.5 añade la entrada de video, que es lo que trae el doblaje y la traducción de video. También añade la separación de 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?
Algunos sitios nombran 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.
¿Doitong está afiliada a ByteDance?
No. Doitong es una plataforma independiente de video con IA. 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 video una voz en otro idioma
Empieza con un clip corto, revisa los nombres y luego procesa la película completa.
Empezar en Doitong