跟着画面走的 AI 视频配音
一段描述，生成人声、音效和配乐
大多数 AI 配音工具只是对着文字朗读，对齐剪辑还得你自己来。Seed Audio 1.5 会看视频。你只需描述谁在说话、说什么、环境听起来如何、音乐怎么走，它就会返回一条与画面时间对齐的完整声轨。
台词由你来写，模型负责演绎，并配上音效和音乐，与画面同步。支持 30 种语言，中文也在其中。
三种配音方式
ByteDance 官方文档列出了三种视频模式，按你对声音的控制需求来选。
视频 + 描述
模型理解画面，并根据你的文字配音：台词、声音类型、音效和背景音乐都包括在内。
视频 + 描述 + 参考声音
再加一段参考音频，台词就会用这个声音说出来。视频决定时间，参考音频决定音色。
配音最能派上用场的地方
AI 生成的视频素材
视频模型生成的片段往往没有声音，或者只有猜出来的配乐。用场景真正需要的对白和氛围声来配音。
现场收音太差
ByteDance 把改善低质量音频列为用途之一：与其和噪音较劲，不如把这场戏干净地重新演绎一遍。
短剧和系列剧
反复使用同一段参考音频，角色的声音就能在每一集里保持一致。
广告和宣传片
把旁白、产品音效和音乐重音精确对到帧，再换一种语言投放下一个市场。
如何用 Seed Audio 1.5 给视频配音
准备好成片
MP4 或 MOV 格式，时长 4 到 360 秒，分辨率 480p 到 1080p，大小不超过 200 MB。请对最终剪辑版配音：剪辑一改，时间点也会跟着变。
写下要听到的内容
台词用引号括起来，简要描述每个声音，再写上音效和音乐。模型不会自己编对白，所以所有要说的话都要写进提示词。
在关键处锁定时间
对必须卡在剪辑点上的台词和音效，用 [2.0s:6.5s] 这样的时间戳标注，其余交给模型处理。
需要时添加参考声音
最多 6 段，每段 2 到 30 秒。同一角色每次说话都用同一段音频。
提示词示例
ByteDance 的提示词指南建议写清三点：听到什么、听起来怎样、什么不该出现。示例提示词保持英文，模型对英文指令的理解最好。
雨夜街头的两个人
Outdoor street at night, steady rain on umbrellas and a passing car on wet asphalt. A young woman with a clear British voice, exasperated then laughing, says: “I cannot believe I let you talk me into this.” A man with a warm baritone, apologetic but smiling, answers: “I said it might rain. I did not say the sky would take it personally.” No music.
每位说话人在台词前都有一行声音描述和情绪。
精确到时间点的产品镜头
[0.0s:15.0s] Light electronic music under the whole clip. [0.4s:1.0s] A crisp click as the lid opens. [1.5s:5.0s] A confident adult male voice, General American accent, says: “Built for the days that do not end at five.” [12.0s:15.0s] The music lifts and resolves.
时间戳让咔哒声正好落在盖子打开的那一帧。
开始之前
- 模型不会替你写脚本。提示词里没有描述的视频，不会生成预设的对白。
- 它只生成音频，不会改变画面中的口型，所以对白最适合用在远景、背影、旁白和动画里。
- 单次请求最长可生成 6 分钟音频；更长的影片请按场景分段配音。
- 使用参考声音前，请先取得说话人的许可。
AI 视频配音常见问题
什么是 AI 视频配音？
用 AI 生成视频的声轨：对白、旁白、音效和音乐，并与画面中发生的事件对齐。使用 Seed Audio 1.5，你只需描述想要的声音，模型一次就能生成。
Seed Audio 1.5 会替我写对白吗？
不会。ByteDance 明确说明它不会自动配音。台词和声音描述由你提供，模型负责演绎并对齐时间。
配音可以使用指定的声音吗？
可以。添加一段 2 到 30 秒的参考音频，台词就会用这个声音说出来，时间则由视频控制。单次请求最多可使用 6 段参考音频。
可以用英语以外的语言配音吗？
可以。Seed Audio 1.5 支持 30 种语言，从日语、韩语到波兰语、土耳其语和印地语都包括在内。
配音和视频翻译有什么区别？
配音是根据你的描述创建全新的声轨。视频翻译则是把视频里已有的英文或中文语音，用同一个声音换成另一种语言重新说一遍。