版本对比
Seed Audio 1.5 与 1.0 对比:新增了什么
简单说:视频
Seed Audio 1.0 的能力早已不止朗读文字:一条提示词就能同时包含人声、音效和环境声。1.5 保留了这一切,并补上了 1.0 做不到的一点:可以把视频作为输入。视频配音、保留原声音色的视频翻译(可译成包括中文在内的 30 种语言),以及为无声素材生成声音,都由此而来。
Doitong 的文本转语音工具运行的是 Seed Audio 1.0,1.5 则是我们在抢先体验阶段测试的。
两个版本的实测观察
1.0 不接受视频
2026 年 9 月,1.0 的 API 已经会校验视频参考字段,但随后返回“尚未实现”。视频相关的工作只能等 1.5。
1.0 时代只能手动配音
在 1.5 之前,我们用 1.0 加声音参考,逐句把一部影片配成了西班牙语。音色保持得不错,但每一句都得手动对时间、逐条检查。视频翻译省掉了这个反复的过程。
逐项对比
数据来自 ByteDance 的 Seed Audio 1.5 概览,其中将两个版本与常规文本转语音引擎做了对比。
两个版本支持的输入与输出
| 模式 | Seed Audio 1.5 | Seed Audio 1.0 | 常规 TTS |
|---|---|---|---|
| 文本转语音 | 支持 | 支持 | 支持 |
| 声音克隆 | 支持 | 支持 | 支持 |
| 文本生成音频(人声、音效、音乐) | 支持 | 支持 | 不支持 |
| 文本 + 参考音频 | 支持 | 支持 | 不支持 |
| 文本 + 视频 → 音频(配音) | 支持 | 不支持 | 不支持 |
| 文本 + 视频 + 声音参考 | 支持 | 不支持 | 不支持 |
| 文本生成音乐,最长 6 分钟 | 支持 | 不支持 | 不支持 |
1.5 新增能力
| 能力 | Seed Audio 1.5 |
|---|---|
| 保留原声音色的视频翻译 | 英语或中文 → 30 种语言 |
| 音轨分离 | 最多 6 条音轨 |
| 单次请求的声音参考数 | 最多 6 个 |
| 单次请求的音频时长 | 最长 6 分钟 |
| 时间戳控制 | 人声、音效和音乐 |
| 带歌词的歌曲 | 英语、中文、日语、韩语、粤语 |
来源:ByteDance,“Seed Audio 1.5 — Everything To Hear Is Here”及抢先体验集成指南,2026 年 10 月。
常见问题
Seed Audio 1.5 和 1.0 的主要区别是什么?
视频输入。Seed Audio 1.5 可以接收视频,并生成与画面匹配的音频,因此能做视频配音、保留原声音色的视频翻译,以及为无声片段生成声音。Seed Audio 1.0 只能基于文本和参考音频工作。
Seed Audio 1.0 现在还有用吗?
有,适合不涉及视频的文本转语音和文字驱动的声音设计。Doitong 的文本转语音工具就运行在它之上。
1.5 支持更多语言吗?
Seed Audio 1.5 支持 30 种语言,视频翻译可以从英语或中文翻译成其中任意一种。
Seed Audio 1.5 就是 Seed Audio 2.0 吗?
有些网站把这个新模型称作 2.0。ByteDance 的抢先体验文档中,它的名称是 Seed Audio 1.5。