Seed Audio 1.5 : traduire et doubler une vidéo avec la même voix
Un seul modèle pour la voix, les bruitages et la musique, piloté par votre vidéo
Seed Audio 1.5 est le nouveau modèle audio de ByteDance. Il prend une vidéo, l'écoute et écrit une nouvelle bande-son : le même narrateur qui parle japonais, un doublage calé sur l'image, ou la voix, la musique et les effets séparés en pistes distinctes. Nous l'avons utilisé en accès anticipé pour traduire un film d'animation de 9 minutes en 12 langues, français compris. Voici ce qu'il a su faire, où il a fait des erreurs, et comment obtenir le même résultat.
Doitong est une plateforme indépendante, non affiliée à ByteDance.
Notre test : un film, 12 langues, le même narrateur
Nous avons pris « The Last Ordinary Day in Pompeii », un film d'animation historique de 9 minutes narré en anglais, et nous l'avons passé dans la traduction vidéo de Seed Audio 1.5, une fois par langue. Lancez la vidéo, puis ouvrez Paramètres → Piste audio pour passer de l'original anglais aux 12 traductions, y compris la piste française.
Pistes audio de cette vidéo : anglais (original) plus russe, allemand, français, espagnol (Espagne), italien, japonais, coréen, néerlandais, suédois, danois, norvégien et finnois.
- Durée du film
- 9:00
- Langues
- 12
- Durée par requête
- 2,6–3,3 min
- Écart de durée
- < 0,03 s
Comment nous avons mené le test
Les chiffres ci-dessus viennent de nos propres journaux, pas d'un communiqué de presse. Trois points comptent si vous voulez reproduire le test.
Découpage sur une pause
Une requête accepte une vidéo de 4 à 360 secondes. Le film de 9 minutes a donc été envoyé en deux parties, coupées à une pause naturelle : 4:43 et 4:17. Douze langues, cela fait 24 requêtes, chacune revenue en 157 à 200 secondes.
La durée est respectée
Chaque partie traduite est revenue avec la durée de l'original. La première partie fait 283,26 secondes contre 283,29 pour la source, la seconde 256,83 contre 256,83, et les valeurs sont identiques dans toutes les langues. La nouvelle narration se pose sur l'image sans aucun recalage.
Nous avons envoyé la voix seule
Nous avons donné au modèle la narration sans musique, puis remixé notre propre musique et nos effets après coup. Conserver la musique et les effets dans la traduction est une fonction annoncée du modèle, mais ce test ne s'appuyait pas dessus.
Ce que sait faire Seed Audio 1.5
La version 1.5 est le premier modèle Seed Audio qui accepte la vidéo. Ce seul changement ouvre la plupart des usages ci-dessous.
Traduire une vidéo avec la même voix
De l'anglais ou du chinois vers 30 langues. La voix garde le caractère du locuteur, et les effets sonores et la musique de fond d'origine restent en place : seule la parole change.
Doubler une vidéo à partir d'une description
Donnez-lui une vidéo et décrivez ce qui doit s'entendre : les répliques, les voix, les effets, la musique. Il écrit un audio calé sur l'image. Il n'inventera pas le scénario à votre place.
Séparer l'audio en stems
Envoyez un fichier audio et récupérez les voix, les effets et la musique sur des pistes distinctes, jusqu'à six, prêtes pour une session de mixage.
Sonoriser un clip muet
Demandez une ambiance, des pas, une porte, un fond musical, et placez chaque élément sur la timeline grâce aux timestamps dans le prompt.
Cloner une voix
Jusqu'à six extraits de référence de 2 à 30 secondes chacun fixent le timbre. Associez une référence à une vidéo et le doublage est prononcé avec cette voix.
Écrire des chansons avec paroles
De la musique jusqu'à six minutes à partir d'un brief écrit, avec des paroles chantées en anglais, chinois, japonais, coréen ou cantonais.
Limites de Seed Audio 1.5
Limites tirées du guide d'intégration en accès anticipé de ByteDance. Vérifiez-les avant de découper votre vidéo.
| Entrée | Limite |
|---|---|
| Durée de la vidéo | 4–360 secondes par requête |
| Formats vidéo | MP4, MOV |
| Résolution vidéo | 480p, 720p ou 1080p |
| Taille du fichier vidéo | Jusqu'à 200 Mo |
| Extraits de référence vocale | 6 maximum, 2–30 s chacun, 180 s au total |
| Audio pour la séparation en stems | Un fichier, 2–360 s, jusqu'à 90 Mo, WAV ou MP3 |
| Sortie | Valeur |
|---|---|
| Audio le plus long par requête | 6 minutes |
| Pistes de stems | Jusqu'à 6 |
| Formats | WAV (par défaut), MP3, PCM, OGG Opus |
| Fréquence d'échantillonnage par défaut | 44,1 kHz |
| Langues pour la parole | 30 |
| Source de la traduction vidéo | Anglais ou chinois, ou détection automatique |
Source : guide d'intégration en accès anticipé de Seed Audio 1.5 de ByteDance, octobre 2026. Les limites peuvent évoluer après la sortie.
30 langues
Seed Audio 1.5 parle ces langues. La traduction vidéo part de l'anglais ou du chinois vers n'importe laquelle d'entre elles.
Les paroles de chansons sont prises en charge dans un nombre plus restreint de langues : anglais, chinois, japonais, coréen et cantonais.
Des prompts qui fonctionnent
Le guide de prompts de ByteDance décrit trois niveaux : une description simple, un script qui fixe l'ordre des événements, et une timeline à la seconde près. Commencez simple et n'ajoutez des timestamps que là où le timing compte. Les exemples restent en anglais, langue que le modèle suit le mieux.
Une voix off simple
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.”
D'abord les contraintes, ensuite la voix, enfin les mots exacts. Dire ce qui ne doit pas apparaître compte autant que dire ce qui doit apparaître.
Une scène minutée
[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.
Les timestamps placent chaque son sur la timeline, ce qui permet à l'audio de s'aligner sur des coupes déjà montées.
Points de vigilance
Ce que nous avons rencontré pendant les tests, et ce que la documentation indique clairement.
- Les noms propres et les mots rares peuvent varier d'une prise à l'autre. Dans la traduction russe de notre deuxième film test, qui se passe à Londres en 1666, l'ancien mot désignant un bateau de la Tamise est sorti de travers et le nom d'un personnage a changé de forme. La traduction vidéo accepte un glossaire : listez les noms avant de lancer le traitement.
- Le doublage demande une description. Seed Audio 1.5 n'écrit pas de répliques de lui-même ; dites-lui ce qui est dit et ce qui s'entend.
- Il produit du son, pas des mouvements de lèvres. Une voix traduite garde le timing de l'original, mais les bouches à l'écran ne sont pas redessinées.
- Une requête couvre jusqu'à 6 minutes. Les vidéos plus longues doivent être découpées, et une coupure au milieu d'une phrase s'entend : coupez sur une pause.
- La traduction vidéo part de l'anglais ou du chinois. Une vidéo dans une autre langue ne peut pas être traduite directement.
- Ne clonez que des voix que vous avez le droit d'utiliser.
FAQ Seed Audio 1.5
Qu'est-ce que Seed Audio 1.5 ?
Seed Audio 1.5 est un modèle de génération audio de ByteDance, sorti le 28 octobre 2026. Il produit la parole, les bruitages et la musique en une seule passe, et c'est la première version de Seed Audio qui accepte la vidéo, ce qui rend possibles le doublage vidéo et la traduction vidéo avec la même voix.
Seed Audio 1.5 peut-il traduire une vidéo en gardant la même voix ?
Oui. La traduction vidéo refait la parole dans une autre langue en conservant le caractère de la voix du locuteur, et garde les effets sonores et la musique d'origine. Dans notre test, une narration anglaise de 9 minutes est revenue en 12 langues, chacune avec la même durée que l'original.
Quelles langues Seed Audio 1.5 prend-il en charge ?
30 langues pour la parole, dont l'anglais, le chinois, le japonais, le coréen, l'espagnol (Espagne et Mexique), le portugais (Brésil et Portugal), l'allemand, le français, le russe, l'arabe et l'hindi. La traduction vidéo part de l'anglais ou du chinois vers n'importe laquelle des 30.
Quelle peut être la durée de la vidéo ?
Une requête accepte une vidéo de 4 à 360 secondes, jusqu'à 200 Mo, en 480p, 720p ou 1080p. Pour un film plus long, découpez-le sur des pauses et traduisez les parties une à une, comme nous l'avons fait avec le film de 9 minutes sur Pompéi.
Combien de temps prend une traduction ?
Dans nos essais, chaque partie d'environ quatre minutes et demie a demandé entre 157 et 200 secondes par langue.
Seed Audio 1.5 fait-il de la synchronisation labiale ?
Non. Il génère de l'audio. La voix traduite suit le timing de l'original, mais la vidéo elle-même, mouvements de bouche compris, n'est pas modifiée.
Peut-il séparer la voix, la musique et les bruitages ?
Oui. Donnez-lui un fichier audio de 6 minutes maximum et il renvoie les voix, les effets et la musique sur des pistes séparées, jusqu'à six au total.
Qu'est-ce qui change par rapport à Seed Audio 1.0 ?
Seed Audio 1.5 ajoute l'entrée vidéo, qui apporte le doublage vidéo et la traduction vidéo. Il ajoute aussi la séparation en stems et la musique jusqu'à 6 minutes, accepte jusqu'à six extraits de référence vocale, produit jusqu'à 6 minutes d'audio par requête et parle 30 langues.
Seed Audio 1.5 est-il la même chose que Seed Audio 2.0 ?
Certains sites présentent le futur modèle sous le nom de Seed Audio 2.0. La documentation d'accès anticipé de ByteDance l'appelle Seed Audio 1.5, et c'est le nom que nous utilisons.
Doitong est-il affilié à ByteDance ?
Non. Doitong est une plateforme vidéo IA indépendante. Nous avons eu un accès anticipé à Seed Audio 1.5 et nous décrivons ici nos propres résultats.
Ce que vous pouvez faire avec Seed Audio 1.5
Donnez à votre vidéo une voix dans une autre langue
Commencez par un court extrait, vérifiez les noms, puis lancez le film entier.
Essayer dans Doitong