Seed Audio 1.5 বনাম 1.0: কী বদলেছে
সংক্ষেপে উত্তর: ভিডিও
Seed Audio 1.0 আগেও শুধু টেক্সট পড়ে শোনাত না: একটি প্রম্পটেই কণ্ঠস্বর, সাউন্ড ইফেক্ট ও আবহ রাখা যেত। 1.5 সেসবই রেখেছে, সঙ্গে যোগ করেছে যা 1.0 পারত না: ইনপুট হিসেবে ভিডিও নেওয়া। এর ফলেই আসে ডাবিং, একই কণ্ঠে অনুবাদ এবং নিঃশব্দ ফুটেজের জন্য সাউন্ড।
আমরা Doitong-এর টেক্সট-টু-স্পিচ টুলে Seed Audio 1.0 চালাই এবং 1.5 পরীক্ষা করেছি আর্লি অ্যাক্সেসে।
দুটি সংস্করণ চালিয়ে আমরা যা দেখেছি
1.0 টেক্সট থেকে কণ্ঠস্বর নির্দেশনা দেয়
আমাদের টেক্সট-টু-স্পিচ টুলে Seed Audio 1.0 কণ্ঠস্বরের একটি মুক্ত-ভাষার বর্ণনা নেয়: উচ্চারণভঙ্গি, মেজাজ, গতি। একটি প্রম্পটে কথার চারপাশের ইফেক্ট ও আবহও রাখা যায়।
1.0 ভিডিও নিত না
২০২৬ সালের সেপ্টেম্বরে 1.0 API ভিডিও রেফারেন্স ফিল্ড যাচাই করত, কিন্তু পরে জানাত যে এটি এখনও বাস্তবায়িত হয়নি। ভিডিওর কাজ 1.5 পর্যন্ত অপেক্ষা করতে হয়েছিল।
1.5 পুরো দৃশ্য অনুবাদ করে
1.5 দিয়ে আমরা ৯ মিনিটের একটি ফিল্ম ১২টি ভাষায় অনুবাদ করেছি, ভিডিওটি সরাসরি পাঠিয়ে। প্রতিটি ট্র্যাকের দৈর্ঘ্য ছিল মূল ফিল্মের সমান।
1.0-তে হাতে ডাবিং
1.5-এর আগে আমরা 1.0 ও একটি ভয়েস রেফারেন্স দিয়ে একটি ফিল্ম লাইন ধরে ধরে স্প্যানিশে ডাব করেছিলাম। কণ্ঠ ঠিকই থাকত, কিন্তু প্রতিটি লাইনের টাইমিং হাতে মেলাতে ও যাচাই করতে হতো। ভিডিও অনুবাদে এই ঝামেলা থাকে না।
ফিচার ধরে ধরে তুলনা
ByteDance-এর Seed Audio 1.5 ওভারভিউ থেকে নেওয়া, যেখানে দুটি সংস্করণকে একটি সাধারণ টেক্সট-টু-স্পিচ ইঞ্জিনের সঙ্গে তুলনা করা হয়েছে।
| মোড | Seed Audio 1.5 | Seed Audio 1.0 | সাধারণ TTS |
|---|---|---|---|
| টেক্সট থেকে স্পিচ | হ্যাঁ | হ্যাঁ | হ্যাঁ |
| ভয়েস ক্লোনিং | হ্যাঁ | হ্যাঁ | হ্যাঁ |
| টেক্সট থেকে অডিও (ভয়েস, ইফেক্ট, মিউজিক) | হ্যাঁ | হ্যাঁ | না |
| টেক্সট + রেফারেন্স অডিও | হ্যাঁ | হ্যাঁ | না |
| টেক্সট + ভিডিও → অডিও (ডাবিং) | হ্যাঁ | না | না |
| টেক্সট + ভিডিও + ভয়েস রেফারেন্স | হ্যাঁ | না | না |
| টেক্সট থেকে মিউজিক, ৬ মিনিট পর্যন্ত | হ্যাঁ | না | না |
| সক্ষমতা | Seed Audio 1.5 |
|---|---|
| একই কণ্ঠে ভিডিও অনুবাদ | ইংরেজি বা চীনা → ৩০টি ভাষা |
| স্টেম আলাদা করা | সর্বোচ্চ ৬টি ট্র্যাক |
| প্রতি অনুরোধে ভয়েস রেফারেন্স | সর্বোচ্চ ৬টি |
| প্রতি অনুরোধে অডিও | সর্বোচ্চ ৬ মিনিট |
| টাইমস্ট্যাম্প নিয়ন্ত্রণ | ভয়েস, ইফেক্ট ও মিউজিক |
| লিরিকসহ গান | ইংরেজি, চীনা, জাপানি, কোরিয়ান, ক্যান্টনিজ |
সূত্র: ByteDance, “Seed Audio 1.5 — Everything To Hear Is Here” এবং আর্লি অ্যাক্সেস ইন্টিগ্রেশন গাইড, অক্টোবর ২০২৬।
সাধারণ জিজ্ঞাসা
Seed Audio 1.5 ও 1.0-এর মূল পার্থক্য কী?
ভিডিও ইনপুট। Seed Audio 1.5 ভিডিও নিয়ে তার সঙ্গে মেলে এমন অডিও তৈরি করে, যার ফলে ভিডিও ডাবিং, একই কণ্ঠে ভিডিও অনুবাদ এবং নিঃশব্দ ক্লিপের জন্য সাউন্ড সম্ভব হয়। Seed Audio 1.0 শুধু টেক্সট ও রেফারেন্স অডিও থেকে কাজ করে।
Seed Audio 1.0 কি এখনও কাজের?
হ্যাঁ, যেখানে ভিডিও জড়িত নেই, যেমন টেক্সট-টু-স্পিচ ও টেক্সটনির্ভর সাউন্ড ডিজাইনে। Doitong-এর টেক্সট-টু-স্পিচ টুল এটির ওপরই চলে।
1.5 কি বেশি ভাষা সমর্থন করে?
Seed Audio 1.5 ৩০টি ভাষায় কথা বলে, এবং ভিডিও অনুবাদ ইংরেজি বা চীনা থেকে সেই ভাষাগুলোর যেকোনোটিতে করা যায়। বাংলা এই ৩০টি ভাষার মধ্যে নেই।
Seed Audio 1.5 কি Seed Audio 2.0-এর মতোই?
কিছু সাইট নতুন মডেলটিকে 2.0 নামে তালিকাভুক্ত করেছে। ByteDance-এর আর্লি অ্যাক্সেস ডকুমেন্টেশনে এর নাম Seed Audio 1.5।
সম্পর্কিত
যে সংস্করণ আপনার ভিডিও “শোনে”, সেটি চালিয়ে দেখুন
Seed Audio 1.5 দিয়ে একটি ক্লিপ অনুবাদ করুন, ডাব করুন বা তাতে সাউন্ড যোগ করুন।
Doitong-এ শুরু করুন