Seed Audio 1.5 : traduire et doubler une vidéo avec la même voix
Un seul modèle pour la voix, les effets sonores et la musique, piloté par votre vidéo
Seed Audio 1.5 est le nouveau modèle audio de ByteDance. Il prend une vidéo, l'écoute et écrit une nouvelle bande sonore : le même narrateur qui parle japonais, un doublage qui suit l'image, ou la voix, la musique et les effets séparés en pistes distinctes. En accès anticipé, nous l'avons utilisé pour traduire un film d'animation de 9 minutes en 12 langues, y compris en français. Voici ce qu'il a bien fait, où il a trébuché et comment obtenir le même résultat.
Doitong est une plateforme indépendante, non affiliée à ByteDance.
Notre test : un film, 12 langues, le même narrateur
Nous avons pris « The Last Ordinary Day in Pompeii », un film d'animation historique de 9 minutes avec narration en anglais, et nous l'avons passé dans la traduction vidéo de Seed Audio 1.5, une fois par langue. Lancez la vidéo, puis ouvrez Paramètres → Piste audio pour passer de l'original anglais aux 12 traductions, dont la piste en français.
Pistes audio de cette vidéo : anglais (original), puis russe, allemand, français, espagnol (Espagne), italien, japonais, coréen, néerlandais, suédois, danois, norvégien et finnois.
- Durée du film
- 9:00
- Langues
- 12
- Temps par requête
- 2,6–3,3 min
- Écart de durée
- < 0,03 s
Comment nous avons mené le test
Les chiffres ci-dessus viennent de nos propres journaux, pas d'un communiqué de presse. Trois détails comptent si vous voulez refaire l'exercice.
Couper à une pause
Une requête accepte une vidéo de 4 à 360 secondes. Le film de 9 minutes a donc été envoyé en deux parties, coupées à une pause naturelle : 4:43 et 4:17. Douze langues, c'est 24 requêtes, et chacune est revenue en 157 à 200 secondes.
La durée est restée la même
Chaque partie traduite est revenue à la durée de l'original. La première partie a fait 283,26 secondes contre 283,29 pour la source, la deuxième 256,83 contre 256,83, et les chiffres étaient les mêmes dans toutes les langues. La nouvelle narration s'est posée sur l'image sans aucun recalage.
Nous avons envoyé la voix seule
Nous avons donné au modèle la narration sans la musique, puis nous avons remixé notre propre trame sonore et nos effets par la suite. Conserver la musique et les effets dans la traduction est une fonction annoncée du modèle, mais ce test précis ne s'en est pas servi.
Ce que Seed Audio 1.5 sait faire
La version 1.5 est le premier modèle Seed Audio qui accepte la vidéo. Ce seul changement ouvre la porte à la plupart des usages ci-dessous.
Traduire une vidéo avec la même voix
De l'anglais ou du chinois vers 30 langues. La voix garde le caractère du locuteur, et les effets sonores et la musique de fond d'origine restent en place : seule la parole change.
Doubler une vidéo à partir d'une description
Donnez-lui une vidéo et décrivez ce qu'on doit entendre : les répliques, les voix, les effets, la musique. Il produit un audio qui suit l'image. Il n'inventera pas le scénario à votre place.
Séparer l'audio en pistes (stems)
Donnez-lui un fichier audio et récupérez les voix, les effets et la musique sur des pistes distinctes, jusqu'à six, prêtes pour une séance de mixage.
Sonoriser un clip muet
Demandez une ambiance, des bruits de pas, une porte, un fond musical, et placez chaque élément sur la ligne de temps grâce aux timecodes dans le prompt.
Cloner une voix
Jusqu'à six extraits de référence de 2 à 30 secondes chacun définissent le timbre. Associez une référence à une vidéo et le doublage est prononcé avec cette voix.
Écrire des chansons avec paroles
De la musique jusqu'à six minutes à partir d'un descriptif écrit, avec des paroles chantées en anglais, en chinois, en japonais, en coréen ou en cantonais.
Limites de Seed Audio 1.5
Limites tirées du guide d'intégration en accès anticipé de ByteDance. Vérifiez-les avant de couper votre vidéo.
| Entrée | Limite |
|---|---|
| Durée de la vidéo | 4 à 360 secondes par requête |
| Formats vidéo | MP4, MOV |
| Résolution vidéo | 480p, 720p ou 1080p |
| Taille du fichier vidéo | Jusqu'à 200 Mo |
| Extraits de référence de la voix | Jusqu'à 6, de 2 à 30 s chacun, 180 s au total |
| Audio pour la séparation des pistes | Un fichier, 2 à 360 s, jusqu'à 90 Mo, WAV ou MP3 |
| Sortie | Valeur |
|---|---|
| Audio le plus long par requête | 6 minutes |
| Pistes séparées | Jusqu'à 6 |
| Formats | WAV (par défaut), MP3, PCM, OGG Opus |
| Fréquence d'échantillonnage par défaut | 44,1 kHz |
| Langues pour la parole | 30 |
| Langue source de la traduction vidéo | Anglais ou chinois, ou détection automatique |
Source : guide d'intégration en accès anticipé de Seed Audio 1.5 de ByteDance, octobre 2026. Les limites peuvent changer après le lancement.
30 langues
Seed Audio 1.5 parle ces langues. La traduction vidéo part de l'anglais ou du chinois vers n'importe laquelle d'entre elles.
Les paroles de chansons sont prises en charge dans un ensemble plus restreint : anglais, chinois, japonais, coréen et cantonais.
Des prompts qui fonctionnent
Le guide de prompts de ByteDance décrit trois niveaux : une description simple, un script qui fixe l'ordre des événements et une ligne de temps avec des secondes exactes. Commencez simple et n'ajoutez des timecodes que là où le minutage compte. Les exemples restent en anglais, car le modèle suit mieux les indications de scène dans cette langue.
Une voix hors champ simple
Generate only this speaker as dry, close-miked speech. No music, no sound effects, no room reverb, no second speaker. A calm adult female voice at a steady pace reads: “Most people in Pompeii woke up that morning expecting an ordinary day.”
D'abord les contraintes, ensuite la voix, puis les mots exacts. Préciser ce qui ne doit pas apparaître compte autant que ce qui doit apparaître.
Une scène minutée
[0.0s:12.0s] Soft market ambience under the whole scene. [0.5s:1.5s] A wooden cart rolls past. [2.0s:6.5s] An old man, warm and unhurried, says: “Bread, still warm from the oven.” [7.0s:12.0s] A low drum rumble rises in the distance.
Les timecodes placent chaque son sur la ligne de temps, de sorte que l'audio s'aligne sur les coupes que vous avez déjà faites.
Points à surveiller
Ce que nous avons rencontré pendant les tests, et ce que la documentation indique clairement.
- Les noms et les mots rares peuvent varier d'une prise à l'autre. Dans la traduction russe de notre deuxième film test, qui se passe à Londres en 1666, l'ancien mot désignant un bateau de la Tamise a été mal rendu et le nom d'un personnage a changé de forme. La traduction vidéo accepte un glossaire : dressez la liste des noms avant de lancer la traduction.
- Le doublage demande une description. Seed Audio 1.5 n'écrit pas les répliques de lui-même; dites-lui ce qui est dit et ce qui s'entend.
- Il produit du son, pas des mouvements de lèvres. Une voix traduite garde le minutage de l'original, mais les bouches à l'écran ne sont pas redessinées.
- Une requête couvre jusqu'à 6 minutes. Les vidéos plus longues doivent être découpées, et une coupure au milieu d'une phrase s'entend : coupez à une pause.
- La traduction vidéo part de l'anglais ou du chinois. Une vidéo dans une autre langue ne peut pas être traduite directement.
- Ne clonez que des voix que vous avez le droit d'utiliser.
FAQ sur Seed Audio 1.5
Qu'est-ce que Seed Audio 1.5?
Seed Audio 1.5 est un modèle de génération audio de ByteDance, lancé le 28 octobre 2026. Il produit la parole, les effets sonores et la musique en une seule passe, et c'est la première version de Seed Audio qui accepte la vidéo, ce qui rend possibles le doublage vidéo et la traduction vidéo avec la même voix.
Seed Audio 1.5 peut-il traduire une vidéo avec la même voix?
Oui. La traduction vidéo refait la parole dans une autre langue en conservant le caractère de la voix du locuteur, et garde les effets sonores et la musique d'origine. Dans notre test, une narration anglaise de 9 minutes est revenue en 12 langues, chacune de la même durée que l'original.
Quelles langues Seed Audio 1.5 prend-il en charge?
30 langues pour la parole, dont l'anglais, le chinois, le japonais, le coréen, l'espagnol (Espagne et Mexique), le portugais (Brésil et Portugal), l'allemand, le français, le russe, l'arabe et l'hindi. La traduction vidéo part de l'anglais ou du chinois vers n'importe laquelle des 30.
Quelle peut être la durée de la vidéo?
Une requête accepte une vidéo de 4 à 360 secondes, jusqu'à 200 Mo, en 480p, 720p ou 1080p. Pour un film plus long, découpez-le aux pauses et traduisez les parties une à une, comme nous l'avons fait avec le film de 9 minutes sur Pompéi.
Combien de temps prend une traduction?
Dans nos essais, chaque partie d'environ quatre minutes et demie a pris entre 157 et 200 secondes par langue.
Seed Audio 1.5 fait-il de la synchronisation labiale?
Non. Il génère de l'audio. La voix traduite suit le minutage de l'original, mais la vidéo elle-même, y compris le mouvement des lèvres, n'est pas modifiée.
Peut-il séparer la voix, la musique et les effets sonores?
Oui. Donnez-lui un fichier audio de 6 minutes maximum et il renvoie les voix, les effets et la musique sur des pistes séparées, jusqu'à six au total.
Qu'est-ce qui a changé depuis Seed Audio 1.0?
Seed Audio 1.5 ajoute l'entrée vidéo, ce qui apporte le doublage vidéo et la traduction vidéo. Il ajoute aussi la séparation des pistes et la musique jusqu'à 6 minutes, accepte jusqu'à six extraits de référence pour la voix, produit jusqu'à 6 minutes d'audio par requête et parle 30 langues.
Seed Audio 1.5 est-il la même chose que Seed Audio 2.0?
Certains sites présentent le prochain modèle sous le nom de Seed Audio 2.0. La documentation d'accès anticipé de ByteDance l'appelle Seed Audio 1.5, et c'est le nom que nous utilisons.
Doitong est-il affilié à ByteDance?
Non. Doitong est une plateforme vidéo IA indépendante. Nous avons eu un accès anticipé à Seed Audio 1.5 et nous décrivons ici nos propres résultats.
Ce que vous pouvez faire avec Seed Audio 1.5
Donnez à votre vidéo une voix dans une autre langue
Commencez par un court clip, vérifiez les noms, puis traduisez tout le film.
Commencer dans Doitong