Seed Audio 1.5: traduza e dobre vídeos com a mesma voz
Um só modelo para voz, efeitos sonoros e música, guiado pelo seu vídeo
O Seed Audio 1.5 é o novo modelo de áudio da ByteDance. Recebe um vídeo, ouve-o e escreve uma banda sonora nova: o mesmo narrador a falar japonês, uma dobragem que acompanha a imagem, ou a voz, a música e os efeitos separados em pistas distintas. Usámo-lo em acesso antecipado para traduzir um filme de animação de 9 minutos para 12 idiomas. Aqui fica o que fez bem, onde falhou e como chegar ao mesmo resultado. Também pode traduzir para português de Portugal.
A Doitong é uma plataforma independente e não é afiliada à ByteDance.
O nosso teste: um filme, 12 idiomas, o mesmo narrador
Pegámos em “The Last Ordinary Day in Pompeii”, um filme de animação histórico de 9 minutos com narração em inglês, e passámo-lo pela tradução de vídeo do Seed Audio 1.5, uma vez por idioma. Reproduza o vídeo e abra Definições → Faixa de áudio para alternar entre o original em inglês e as 12 traduções.
Faixas de áudio deste vídeo: inglês (original) mais russo, alemão, francês, espanhol (Espanha), italiano, japonês, coreano, holandês, sueco, dinamarquês, norueguês e finlandês.
- Duração do filme
- 9:00
- Idiomas
- 12
- Tempo por pedido
- 2,6–3,3 min
- Diferença de duração
- < 0,03 s
Como fizemos o teste
Os números acima vêm dos nossos próprios registos, não de um comunicado de imprensa. Três detalhes contam se quiser repetir o teste.
Dividir numa pausa
Cada pedido aceita um vídeo de 4 a 360 segundos, por isso o filme de 9 minutos entrou em duas partes, cortadas numa pausa natural: 4:43 e 4:17. Doze idiomas deram 24 pedidos, e cada um voltou em 157 a 200 segundos.
A duração manteve-se
Todas as partes traduzidas voltaram com a duração do original. A parte um regressou com 283,26 segundos contra 283,29 da fonte, a parte dois com 256,83 contra 256,83, e os valores foram os mesmos em todos os idiomas. A nova narração encaixou na imagem sem ser preciso reajustar o tempo.
Enviámos só a voz
Demos ao modelo a narração sem música e voltámos a misturar a nossa banda sonora e os nossos efeitos no fim. Manter música e efeitos dentro da tradução é uma funcionalidade declarada do modelo, mas este teste em concreto não dependeu dela.
O que o Seed Audio 1.5 consegue fazer
A versão 1.5 é o primeiro modelo Seed Audio que aceita vídeo. Só essa mudança abre a maioria das tarefas abaixo.
Traduzir um vídeo com a mesma voz
De inglês ou chinês para 30 idiomas. A voz mantém o carácter do orador, e os efeitos e a música de fundo originais ficam no lugar; só a fala muda.
Dobrar um vídeo a partir de uma descrição
Dê-lhe um vídeo e descreva o que deve ouvir-se: as falas, as vozes, os efeitos, a música. Ele escreve áudio que acompanha a imagem. Não inventa o guião por si.
Separar o áudio em stems
Envie um ficheiro de áudio e receba de volta vozes, efeitos e música em pistas separadas, até seis, prontas para uma sessão de mistura.
Sonorizar um clipe sem som
Peça ambiente, passos, uma porta, uma base musical e coloque cada elemento na linha temporal com timestamps no prompt.
Clonar uma voz
Até seis clipes de referência, de 2 a 30 segundos cada, definem o timbre. Combine uma referência com um vídeo e a dobragem é falada com essa voz.
Escrever canções com letra
Música até seis minutos a partir de um briefing em texto, com letra cantada em inglês, chinês, japonês, coreano ou cantonês.
Limites do Seed Audio 1.5
Limites retirados do guia de integração em acesso antecipado da ByteDance. Confirme-os antes de cortar o seu vídeo.
| Entrada | Limite |
|---|---|
| Duração do vídeo | 4–360 segundos por pedido |
| Formatos de vídeo | MP4, MOV |
| Resolução do vídeo | 480p, 720p ou 1080p |
| Tamanho do ficheiro de vídeo | Até 200 MB |
| Clipes de referência de voz | Até 6, de 2–30 s cada, 180 s no total |
| Áudio para separação de stems | Um ficheiro, 2–360 s, até 90 MB, WAV ou MP3 |
| Saída | Valor |
|---|---|
| Áudio mais longo por pedido | 6 minutos |
| Pistas de stems | Até 6 |
| Formatos | WAV (predefinido), MP3, PCM, OGG Opus |
| Taxa de amostragem predefinida | 44,1 kHz |
| Idiomas de fala | 30 |
| Origem da tradução de vídeo | Inglês ou chinês, ou deteção automática |
Fonte: guia de integração em acesso antecipado do Seed Audio 1.5 da ByteDance, outubro de 2026. Os limites podem mudar após o lançamento.
30 idiomas
O Seed Audio 1.5 fala estes idiomas. A tradução de vídeo parte de inglês ou chinês para qualquer um deles.
As letras de canções são suportadas num conjunto mais pequeno: inglês, chinês, japonês, coreano e cantonês.
Prompts que funcionam
O guia de prompts da ByteDance descreve três níveis: uma descrição simples, um guião que define a ordem dos acontecimentos e uma linha temporal com segundos exatos. Comece pelo simples e acrescente timestamps só onde o tempo importa. Os exemplos ficam em inglês, porque o modelo segue melhor as indicações nesse idioma.
Uma locução simples
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.”
Primeiro as restrições, depois a voz, depois as palavras exatas. Dizer o que não deve aparecer importa tanto como dizer o que deve.
Uma cena temporizada
[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.
Os timestamps colocam cada som na linha temporal, para que o áudio coincida com os cortes que já fez.
O que deve ter em conta
Problemas que encontrámos nos testes e pontos que a documentação deixa claros.
- Nomes e palavras raras podem variar entre tentativas. Na tradução para russo do nosso segundo filme de teste, passado em Londres em 1666, a palavra antiga para um barco do Tamisa saiu errada e o nome de uma personagem mudou de forma. A tradução de vídeo aceita um glossário, por isso liste os nomes antes de a executar.
- A dobragem precisa de uma descrição. O Seed Audio 1.5 não escreve falas por conta própria; diga-lhe o que é dito e o que se ouve.
- Gera som, não movimento labial. Uma voz traduzida mantém o tempo do original, mas as bocas no ecrã não são redesenhadas.
- Um pedido cobre até 6 minutos. Os vídeos mais longos têm de ser divididos, e um corte a meio de uma frase nota-se, por isso corte numa pausa.
- A tradução de vídeo parte de inglês ou chinês. Um vídeo noutro idioma não pode ser traduzido diretamente.
- Clone apenas vozes que tem o direito de usar.
Perguntas frequentes sobre o Seed Audio 1.5
O que é o Seed Audio 1.5?
O Seed Audio 1.5 é um modelo de geração de áudio da ByteDance, lançado a 28 de outubro de 2026. Produz fala, efeitos sonoros e música de uma só vez e é a primeira versão do Seed Audio que aceita vídeo, o que torna possíveis a dobragem de vídeo e a tradução de vídeo com a mesma voz.
O Seed Audio 1.5 traduz um vídeo com a mesma voz?
Sim. A tradução de vídeo refaz a fala noutro idioma mantendo o carácter da voz do orador e conserva os efeitos sonoros e a música originais. No nosso teste, uma narração em inglês de 9 minutos voltou em 12 idiomas, todos com a mesma duração do original.
Que idiomas suporta o Seed Audio 1.5?
30 idiomas de fala, incluindo inglês, chinês, japonês, coreano, espanhol (Espanha e México), português (Brasil e Portugal), alemão, francês, russo, árabe e hindi. A tradução de vídeo parte de inglês ou chinês para qualquer um dos 30.
Que duração pode ter o vídeo?
Cada pedido aceita um vídeo de 4 a 360 segundos, até 200 MB, em 480p, 720p ou 1080p. Para um filme mais longo, divida-o em pausas e traduza as partes uma a uma, como fizemos com o filme de Pompeia de 9 minutos.
Quanto tempo demora uma tradução?
Nos nossos testes, cada parte de cerca de quatro minutos e meio demorou entre 157 e 200 segundos por idioma.
O Seed Audio 1.5 faz sincronização labial?
Não. Gera áudio. A voz traduzida segue o tempo do original, mas o vídeo em si, incluindo o movimento da boca, não é alterado.
Consegue separar voz, música e efeitos sonoros?
Sim. Dê-lhe um ficheiro de áudio até 6 minutos e devolve vozes, efeitos e música em pistas separadas, até seis no total.
O que mudou em relação ao Seed Audio 1.0?
O Seed Audio 1.5 acrescenta a entrada de vídeo, que traz a dobragem e a tradução de vídeo. Acrescenta também a separação de stems e música até 6 minutos, aceita até seis clipes de referência de voz, produz até 6 minutos de áudio por pedido e fala 30 idiomas.
O Seed Audio 1.5 é o mesmo que o Seed Audio 2.0?
Alguns sites apresentam o modelo que vai sair como Seed Audio 2.0. A documentação de acesso antecipado da ByteDance chama-lhe Seed Audio 1.5, e é esse o nome que usamos.
A Doitong é afiliada à ByteDance?
Não. A Doitong é uma plataforma independente de vídeo com IA. Tivemos acesso antecipado ao Seed Audio 1.5 e descrevemos aqui os nossos próprios resultados.
O que pode fazer com o Seed Audio 1.5
Dê ao seu vídeo uma voz noutro idioma
Comece com um clipe curto, verifique os nomes e depois execute o filme todo.
Começar na Doitong