视频翻译，保留原声
还是那位旁白，开口说日语、德语或印地语
字幕要观众自己去读，通用的 AI 配音听起来又像换了个人。Seed Audio 1.5 会用另一种语言重新配出语音，同时保留说话人的声音特质。翻译后的音轨与原片等长，直接放回画面即可。
支持英语或中文视频，可译成 30 种语言，译成中文也可以。
先听效果，再动手试
一部 9 分钟的英语影片，由我们团队用 Seed Audio 1.5 翻译成 12 种语言。播放时在“设置 → 音轨”里切换语言，听听每个版本里是不是同一位旁白。
- 源语言
- 英语
- 目标语言
- 12 种
- 请求次数
- 24
- 时长差
- < 0.03 秒
适合谁用
课程与讲解视频
老师的声音本身就是课程的一部分。翻译时保留声音，留下的就是这个人，而不只是文字。
产品视频与广告
产品演示当天就能在新市场上线，出镜的还是客户熟悉的那位讲解员。
纪录片与故事片
有旁白的影片，比如我们的庞贝测试，是最容易的场景：一个声音、停顿清晰、语速平稳。
如何翻译视频并保留原声
以下就是我们制作上面那部影片时实际用的顺序。
确认源语言
视频翻译的源语言须为英语或中文。模型能自动识别是哪一种，你只需选择目标语言。
长视频在停顿处切开
单次请求可处理 4 到 360 秒的视频。我们的 9 分钟影片分成了两段，分别是 4:43 和 4:17，都切在旁白换气停顿的地方。如果在句子中间切开，译文里能听出来。
列出人名和生僻词
专有名词、古语和专业术语最容易译错。把它们加进请求的术语表，各语言版本里就能保持一致。
一次翻译一种语言
每次请求返回一种语言。在我们的测试中，约四分半钟的一段耗时 157 到 200 秒。
发布前先听一遍
每种语言至少听一遍，开头和人名务必听。上传前改一个词，比观众发现后再改省事得多。
把音轨放回视频
翻译后的音轨与原片等长，可直接与画面对齐。你可以按语言分别发布视频，也可以把所有音轨加进同一个 YouTube 视频。
哪些会变，哪些不变
| 视频的组成部分 | 翻译之后 |
|---|---|
| 语音内容 | 翻译成目标语言 |
| 声音特质 | 保留：还是同一个说话人，而不是通用音色 |
| 背景音乐 | 保留 |
| 音效 | 保留 |
| 时长 | 与原片一致（在我们的测试中相差不到 0.03 秒） |
| 画面与口型 | 不变：这是音频翻译，不是口型同步 |
按 ByteDance 的文档，音乐和音效会被保留。在我们自己的测试中，我们单独翻译了旁白，音乐是自己混回去的。
可译成 30 种语言中的任意一种
从英语或中文译成：
西班牙语和葡萄牙语各有两种变体，请选择你的受众所说的那一种：墨西哥西班牙语或西班牙本土西班牙语，巴西葡萄牙语或欧洲葡萄牙语。
使用前请了解的限制
- 源语言必须是英语或中文。西班牙语视频无法直接翻译。
- 单次请求支持 4 到 360 秒的视频，最大 200 MB，分辨率为 480p、720p 或 1080p。
- 人名在不同语言间可能变形，除非你把它们列进术语表。
- 画面中的嘴型不会被重绘。人脸说话的特写镜头里会看出口型对不上，旁白类视频则看不出。
- 只翻译你有权使用的视频和声音。
关于保留原声翻译的常见问题
AI 能翻译视频并保留原声吗？
可以。Seed Audio 1.5 的视频翻译会用目标语言重新配出语音，同时保留说话人的声音特质。在我们的测试中，12 种语言里都能听出是同一位旁白。
背景音乐会丢吗？
据 ByteDance 介绍，视频翻译会保留原有的音乐和音效，只替换语音。在我们自己的测试中，送去翻译的是不含音乐的旁白，音乐由我们自己混回去。如果你的工程文件里音乐本来就在单独的音轨上，这也是一种稳妥的做法。
翻译后的音频和视频时长一致吗？
在我们的测试中是一致的：每一段、每种语言返回的音频都比原片短不到 0.03 秒，无需再调整时间。
超过 6 分钟的视频能翻译吗？
可以，需要分段。单次请求最长 360 秒，所以请在自然停顿处把视频切开，逐段翻译，再把结果拼起来。我们的 9 分钟影片就是分成两段处理的。
这是口型同步吗？
不是。翻译的是声音，画面保持原样。对于旁白、录屏和配音类视频，这就够用了。
可以翻译成哪些语言？
共 30 种，包括西班牙语（西班牙和墨西哥）、葡萄牙语（巴西和葡萄牙）、日语、韩语、德语、法语、意大利语、俄语、印地语、阿拉伯语、土耳其语和越南语。源语言必须是英语或中文。