Seed Audio 1.5 vs. 1.0: Das hat sich geändert
Die kurze Antwort: Video
Seed Audio 1.0 konnte schon mehr, als Text vorzulesen: Ein Prompt kann Stimmen, Soundeffekte und Atmosphäre enthalten. Version 1.5 behält all das und kann zusätzlich, woran 1.0 scheiterte: ein Video als Eingabe verarbeiten. Daraus folgen Synchronisation, Videoübersetzung mit derselben Stimme und Ton für stumme Aufnahmen. Übersetzen können Sie auch ins Deutsche.
Seed Audio 1.0 läuft in Doitong im Text-to-Speech-Tool. Version 1.5 haben wir im Early Access getestet.
Was wir beim Einsatz beider Versionen gesehen haben
1.0 steuert eine Stimme per Text
In unserem Text-to-Speech-Tool nimmt Seed Audio 1.0 eine freie Beschreibung der Stimme entgegen: Akzent, Stimmung, Tempo. Ein Prompt kann außerdem Effekte und Atmosphäre rund um die Sprache enthalten.
1.0 nahm kein Video an
Im September 2026 prüfte die 1.0-API ein Feld für Videoreferenzen bereits, antwortete dann aber, es sei nicht implementiert. Videoarbeit musste auf 1.5 warten.
1.5 übersetzt ganze Szenen
Mit 1.5 haben wir einen 9-minütigen Film in 12 Sprachen übersetzt, jede Spur so lang wie das Original, indem wir das Video selbst gesendet haben.
Synchronisation in 1.0 von Hand
Vor 1.5 haben wir einen Film mit 1.0 und einer Stimmreferenz Zeile für Zeile ins Spanische synchronisiert. Die Stimme blieb stabil, aber jede Zeile musste von Hand getimt und geprüft werden. Die Videoübersetzung erspart diese Schleife.
Funktion für Funktion
Aus der Seed-Audio-1.5-Übersicht von ByteDance, die beide Versionen mit einer typischen Text-to-Speech-Engine vergleicht.
| Modus | Seed Audio 1.5 | Seed Audio 1.0 | Typisches TTS |
|---|---|---|---|
| Text zu Sprache | Ja | Ja | Ja |
| Stimmklonen | Ja | Ja | Ja |
| Text zu Audio (Stimme, Effekte, Musik) | Ja | Ja | Nein |
| Text + Referenz-Audio | Ja | Ja | Nein |
| Text + Video → Audio (Synchronisation) | Ja | Nein | Nein |
| Text + Video + Stimmreferenz | Ja | Nein | Nein |
| Musik aus Text, bis zu 6 Minuten | Ja | Nein | Nein |
| Funktion | Seed Audio 1.5 |
|---|---|
| Videoübersetzung mit derselben Stimme | Englisch oder Chinesisch → 30 Sprachen |
| Stem-Trennung | Bis zu 6 Spuren |
| Stimmreferenzen pro Anfrage | Bis zu 6 |
| Audio pro Anfrage | Bis zu 6 Minuten |
| Zeitstempel-Steuerung | Stimme, Effekte und Musik |
| Songs mit Text | Englisch, Chinesisch, Japanisch, Koreanisch, Kantonesisch |
Quelle: ByteDance, „Seed Audio 1.5 — Everything To Hear Is Here“ und die Integrationsanleitung für den Early Access, Oktober 2026.
FAQ
Was ist der wichtigste Unterschied zwischen Seed Audio 1.5 und 1.0?
Die Video-Eingabe. Seed Audio 1.5 nimmt ein Video entgegen und erzeugt dazu passendes Audio. Das ermöglicht Video-Synchronisation, Videoübersetzung mit derselben Stimme und Ton für stumme Clips. Seed Audio 1.0 arbeitet nur mit Text und Referenz-Audio.
Ist Seed Audio 1.0 noch nützlich?
Ja, für Text-to-Speech und textgesteuertes Sounddesign, wenn kein Video im Spiel ist. Das Text-to-Speech-Tool von Doitong läuft darauf.
Unterstützt 1.5 mehr Sprachen?
Seed Audio 1.5 spricht 30 Sprachen. Die Videoübersetzung geht aus dem Englischen oder Chinesischen in jede davon.
Ist Seed Audio 1.5 dasselbe wie Seed Audio 2.0?
Manche Websites führen das neue Modell als 2.0. In der Early-Access-Dokumentation von ByteDance heißt es Seed Audio 1.5.
Verwandte Themen
Testen Sie die Version, die Ihr Video hört
Übersetzen, synchronisieren oder vertonen Sie einen Clip mit Seed Audio 1.5.
In Doitong starten