Seed Audio 1.5: oversett og dubb video med samme stemme
Én modell for stemme, lydeffekter og musikk, styrt av videoen din
Seed Audio 1.5 er ByteDances nye lydmodell. Den tar en video, lytter til den og skriver et nytt lydspor: samme forteller på japansk, en dubbing som følger bildet, eller stemme, musikk og effekter delt opp i separate spor. Vi brukte den i tidlig tilgang til å oversette en animert film på 9 minutter til 12 språk. Her er det den klarte, der den sklei ut, og hvordan du får samme resultat. Norsk er blant de 30 språkene, så du kan oversette til norsk også.
Doitong er en uavhengig plattform og er ikke tilknyttet ByteDance.
Vår test: én film, 12 språk, samme forteller
Vi tok “The Last Ordinary Day in Pompeii”, en animert historiefilm på 9 minutter med engelsk fortellerstemme, og kjørte den gjennom videooversettelse i Seed Audio 1.5 én gang per språk. Spill av videoen og åpne Innstillinger → Lydspor for å bytte mellom den engelske originalen og de 12 oversettelsene. Der finner du også det norske sporet.
Lydspor på denne videoen: engelsk (original) pluss russisk, tysk, fransk, spansk (Spania), italiensk, japansk, koreansk, nederlandsk, svensk, dansk, norsk og finsk.
- Filmlengde
- 9:00
- Språk
- 12
- Tid per forespørsel
- 2,6–3,3 min
- Lengdeforskjell
- < 0,03 s
Slik gjennomførte vi testen
Tallene over kommer fra våre egne logger, ikke fra en pressemelding. Tre detaljer er viktige hvis du vil gjenta testen.
Del opp ved en pause
Én forespørsel tar imot en video på 4 til 360 sekunder, så filmen på 9 minutter ble sendt inn i to deler, klippet ved en naturlig pause: 4:43 og 4:17. Tolv språk ga 24 forespørsler, og hver av dem kom tilbake etter 157 til 200 sekunder.
Lengden holdt
Hver oversatte del kom tilbake med samme lengde som originalen. Del én var på 283,26 sekunder mot 283,29 for kilden, del to på 256,83 mot 256,83, og tallene var de samme i alle språk. Den nye fortellerstemmen passet rett på bildet uten å måtte justeres i tid.
Vi sendte inn bare stemmen
Vi ga modellen fortellerstemmen uten musikk og mikset inn vår egen musikk og egne effekter etterpå. At musikk og effekter bevares i oversettelsen er en oppgitt funksjon i modellen, men akkurat denne testen bygde ikke på den.
Hva Seed Audio 1.5 kan gjøre
Versjon 1.5 er den første Seed Audio-modellen som tar imot video. Den ene endringen åpner for de fleste oppgavene under.
Oversett en video med samme stemme
Fra engelsk eller kinesisk til 30 språk. Stemmen beholder talerens særpreg, og de opprinnelige effektene og bakgrunnsmusikken blir liggende mens bare talen byttes ut.
Dubb en video ut fra en beskrivelse
Gi den en video og beskriv hva som skal høres: replikkene, stemmene, effektene, musikken. Den lager lyd som følger bildet. Den finner ikke på manuset for deg.
Del lyd opp i stems
Gi den en lydfil og få stemmer, effekter og musikk tilbake som separate spor, opptil seks, klare for miksing.
Legg lyd på en stum film
Be om omgivelseslyd, fotsteg, en dør eller et musikkteppe, og plasser hver lyd på tidslinjen med tidskoder i prompten.
Klon en stemme
Opptil seks referanseklipp på 2 til 30 sekunder hver bestemmer klangfargen. Kombiner en referanse med en video, så blir dubbingen sagt med den stemmen.
Skriv sanger med tekst
Musikk på opptil seks minutter ut fra en tekstbeskrivelse, med sunget tekst på engelsk, kinesisk, japansk, koreansk eller kantonesisk.
Grenser for Seed Audio 1.5
Grenser fra ByteDances integrasjonsguide for tidlig tilgang. Sjekk dem før du klipper videoen.
| Inndata | Grense |
|---|---|
| Videolengde | 4–360 sekunder per forespørsel |
| Videoformater | MP4, MOV |
| Videooppløsning | 480p, 720p eller 1080p |
| Videofilstørrelse | Opptil 200 MB |
| Referanseklipp for stemme | Opptil 6, 2–30 s hver, 180 s totalt |
| Lyd for oppdeling i stems | Én fil, 2–360 s, opptil 90 MB, WAV eller MP3 |
| Utdata | Verdi |
|---|---|
| Lengste lyd per forespørsel | 6 minutter |
| Stem-spor | Opptil 6 |
| Formater | WAV (standard), MP3, PCM, OGG Opus |
| Standard samplingsfrekvens | 44,1 kHz |
| Språk for tale | 30 |
| Kildespråk for videooversettelse | Engelsk eller kinesisk, eller automatisk gjenkjenning |
Kilde: ByteDances integrasjonsguide for tidlig tilgang til Seed Audio 1.5, oktober 2026. Grensene kan endre seg etter lanseringen.
30 språk
Seed Audio 1.5 snakker disse språkene. Videooversettelse går fra engelsk eller kinesisk til hvilket som helst av dem.
Sangtekster støttes på et mindre utvalg: engelsk, kinesisk, japansk, koreansk og kantonesisk.
Prompter som fungerer
ByteDances promptguide beskriver tre nivåer: en enkel beskrivelse, et manus som fastsetter rekkefølgen på hendelsene, og en tidslinje med nøyaktige sekunder. Begynn enkelt og legg til tidskoder bare der timingen betyr noe. Promptene står på engelsk, fordi modellen følger engelske anvisninger best.
En enkel 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.”
Først begrensningene, så stemmen, så de nøyaktige ordene. Å si hva som ikke skal være med er like viktig som å si hva som skal være med.
En tidsstyrt scene
[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.
Tidskodene plasserer hver lyd på tidslinjen, slik at lyden treffer klippene du allerede har laget.
Dette bør du passe på
Ting vi støtte på i testingen, og ting dokumentasjonen er tydelig på.
- Navn og sjeldne ord kan variere mellom opptak. I den russiske oversettelsen av vår andre testfilm, som foregår i London i 1666, ble det gamle ordet for en elvebåt på Themsen feil, og navnet på en av figurene skiftet form. Videooversettelse godtar en ordliste, så skriv opp navnene før du kjører den.
- Dubbing krever en beskrivelse. Seed Audio 1.5 skriver ikke replikker på egen hånd; si hva som blir sagt og hva som skal høres.
- Den lager lyd, ikke leppebevegelser. En oversatt stemme beholder timingen fra originalen, men munnene på skjermen tegnes ikke om.
- Én forespørsel dekker opptil 6 minutter. Lengre videoer må deles opp, og et kutt midt i en setning høres, så klipp ved en pause.
- Videooversettelse går ut fra engelsk eller kinesisk. En video på et annet språk kan ikke oversettes direkte.
- Klon bare stemmer du har rett til å bruke.
Vanlige spørsmål om Seed Audio 1.5
Hva er Seed Audio 1.5?
Seed Audio 1.5 er en modell for lydgenerering fra ByteDance, lansert 28. oktober 2026. Den lager tale, lydeffekter og musikk i én omgang og er den første Seed Audio-versjonen som tar imot video. Det er det som gjør videodubbing og videooversettelse med samme stemme mulig.
Kan Seed Audio 1.5 oversette en video med samme stemme?
Ja. Videooversettelse legger inn talen på et annet språk og beholder talerens stemmekarakter, samtidig som de opprinnelige lydeffektene og musikken blir værende. I testen vår kom en engelsk fortellerstemme på 9 minutter tilbake på 12 språk, hver med samme lengde som originalen.
Hvilke språk støtter Seed Audio 1.5?
30 språk for tale, blant annet engelsk, kinesisk, japansk, koreansk, spansk (Spania og Mexico), portugisisk (Brasil og Portugal), tysk, fransk, russisk, arabisk og hindi. Videooversettelse går fra engelsk eller kinesisk til hvilket som helst av de 30.
Hvor lang kan videoen være?
Én forespørsel tar imot en video på 4 til 360 sekunder, opptil 200 MB, i 480p, 720p eller 1080p. For en lengre film deler du den opp ved pauser og oversetter delene én etter én, slik vi gjorde med Pompeii-filmen på 9 minutter.
Hvor lang tid tar en oversettelse?
I våre kjøringer tok hver del på omtrent fire og et halvt minutt mellom 157 og 200 sekunder per språk.
Støtter Seed Audio 1.5 leppesynkronisering?
Nei. Den genererer lyd. Den oversatte stemmen følger timingen fra originalen, men selve videoen, inkludert munnbevegelsene, endres ikke.
Kan den skille vokal, musikk og lydeffekter?
Ja. Gi den en lydfil på opptil 6 minutter, så får du stemmer, effekter og musikk tilbake som separate spor, opptil seks til sammen.
Hva er nytt siden Seed Audio 1.0?
Seed Audio 1.5 legger til videoinndata, som gir videodubbing og videooversettelse. Den legger også til oppdeling i stems og musikk på opptil 6 minutter, tar imot opptil seks referanseklipp for stemme, lager opptil 6 minutter lyd per forespørsel og snakker 30 språk.
Er Seed Audio 1.5 det samme som Seed Audio 2.0?
Noen nettsteder omtaler den kommende modellen som Seed Audio 2.0. ByteDances dokumentasjon for tidlig tilgang kaller den Seed Audio 1.5, og det er navnet vi bruker.
Er Doitong tilknyttet ByteDance?
Nei. Doitong er en uavhengig AI-videoplattform. Vi hadde tidlig tilgang til Seed Audio 1.5 og beskriver våre egne resultater her.
Dette kan du gjøre med Seed Audio 1.5
Gi videoen din stemme på et annet språk
Begynn med ett kort klipp, sjekk navnene, og kjør så hele filmen.
Kom i gang i Doitong