Seed Audio 1.5 در برابر 1.0: چه چیزی تغییر کرده است
جواب کوتاه: ویدیو
Seed Audio 1.0 از قبل بیشتر از خواندن متن با صدای بلند انجام میداد: در یک پرامپت میشد صداها، افکتها و صدای محیط را با هم داشت. نسخه 1.5 همه این قابلیتها را نگه داشته و چیزی را اضافه کرده که 1.0 نداشت: دریافت ویدیو بهعنوان ورودی. دوبله، ترجمه با همان صدا و ساخت صدا برای فیلمهای بیصدا، همه از همین قابلیت نتیجه میشوند.
ما Seed Audio 1.0 را در ابزار تبدیل متن به گفتار Doitong اجرا میکنیم و نسخه 1.5 را در دسترسی زودهنگام آزمایش کردهایم.
آنچه هنگام اجرای هر دو دیدیم
1.0 صدا را از روی متن کارگردانی میکند
در ابزار تبدیل متن به گفتار ما، Seed Audio 1.0 توصیفی آزاد از صدا را میگیرد: لهجه، حالوهوا، سرعت. یک پرامپت میتواند افکتها و صدای محیط اطراف گفتار را هم در خود داشته باشد.
1.0 ویدیو را قبول نمیکرد
در سپتامبر ۲۰۲۶، API نسخه 1.0 فیلد مرجع ویدیو را اعتبارسنجی میکرد، اما در پاسخ اعلام میکرد که پیادهسازی نشده است. کار روی ویدیو باید تا 1.5 صبر میکرد.
1.5 صحنهها را کامل ترجمه میکند
با 1.5 یک فیلم ۹ دقیقهای را به ۱۲ زبان ترجمه کردیم. با ارسال خود ویدیو، هر ترک به اندازه فیلم اصلی شد.
دوبله دستی با 1.0
پیش از 1.5، یک فیلم را با 1.0 و یک مرجع صدا خطبهخط به اسپانیایی دوبله کردیم. صدا ثابت ماند، اما زمانبندی و بررسی هر خط باید دستی انجام میشد. ترجمه ویدیو این رفتوبرگشت را حذف میکند.
ویژگی به ویژگی
برگرفته از معرفی Seed Audio 1.5 از ByteDance که این دو نسخه را با یک موتور معمولی تبدیل متن به گفتار مقایسه میکند.
| حالت | Seed Audio 1.5 | Seed Audio 1.0 | TTS معمولی |
|---|---|---|---|
| تبدیل متن به گفتار | بله | بله | بله |
| شبیهسازی صدا | بله | بله | بله |
| تبدیل متن به صدا (گفتار، افکت، موسیقی) | بله | بله | خیر |
| متن + صدای مرجع | بله | بله | خیر |
| متن + ویدیو ← صدا (دوبله) | بله | خیر | خیر |
| متن + ویدیو + مرجع صدا | بله | خیر | خیر |
| ساخت موسیقی از متن، تا ۶ دقیقه | بله | خیر | خیر |
| قابلیت | Seed Audio 1.5 |
|---|---|
| ترجمه ویدیو با همان صدا | انگلیسی یا چینی ← ۳۰ زبان |
| جداسازی استم (stem) | تا ۶ ترک |
| مرجع صدا در هر درخواست | تا ۶ مورد |
| مدت صدا در هر درخواست | تا ۶ دقیقه |
| کنترل زمانبندی با تایماستمپ | گفتار، افکتها و موسیقی |
| آهنگ با متن ترانه | انگلیسی، چینی، ژاپنی، کرهای، کانتونی |
منبع: ByteDance، «Seed Audio 1.5 — Everything To Hear Is Here» و راهنمای یکپارچهسازی دسترسی زودهنگام، اکتبر ۲۰۲۶.
سوالات متداول
تفاوت اصلی Seed Audio 1.5 و 1.0 چیست؟
ورودی ویدیو. Seed Audio 1.5 ویدیو را میگیرد و صدایی همخوان با آن میسازد؛ همین، دوبله ویدیو، ترجمه ویدیو با همان صدا و ساخت صدا برای کلیپهای بیصدا را ممکن میکند. Seed Audio 1.0 فقط با متن و صدای مرجع کار میکند.
آیا Seed Audio 1.0 هنوز به درد میخورد؟
بله، برای تبدیل متن به گفتار و طراحی صدا از روی متن، وقتی ویدیویی در کار نیست. ابزار تبدیل متن به گفتار Doitong روی آن اجرا میشود.
آیا 1.5 زبانهای بیشتری را پشتیبانی میکند؟
Seed Audio 1.5 به ۳۰ زبان صحبت میکند و ترجمه ویدیو از انگلیسی یا چینی به هر یک از آنها انجام میشود.
آیا Seed Audio 1.5 همان Seed Audio 2.0 است؟
بعضی سایتها مدل جدید را با نام 2.0 معرفی میکنند. اما مستندات دسترسی زودهنگام ByteDance نام آن را Seed Audio 1.5 گذاشته است.
مطالب مرتبط
نسخهای را امتحان کنید که به ویدیوی شما گوش میدهد
با Seed Audio 1.5 یک کلیپ را ترجمه، دوبله یا برایش صدا بسازید.
شروع در Doitong