Seed Audio 1.5 vs 1.0: mi változott?
Röviden: a videó
A Seed Audio 1.0 már korábban is többet tudott a felolvasásnál: egyetlen prompt hangokat, effekteket és atmoszférát is tartalmazhatott. Az 1.5-ös verzió ezt mind megtartja, és hozzáad valamit, amire az 1.0 nem volt képes: videót fogad bemenetként. Ebből következik a szinkronizálás, a fordítás ugyanazzal a hanggal és a hangok készítése néma felvételekhez. A fordítás magyar nyelvre is elérhető.
A Seed Audio 1.0-t a Doitong szövegfelolvasó eszközében futtatjuk, az 1.5-öt pedig korai hozzáféréssel teszteltük.
Mit láttunk, amikor mindkettőt futtattuk
Az 1.0 szövegből irányítja a hangot
A szövegfelolvasó eszközünkben a Seed Audio 1.0 szabad szöveges hangleírást fogad: akcentust, hangulatot, tempót. Egyetlen prompt a beszéd körüli effekteket és atmoszférát is tartalmazhatja.
Az 1.0 nem fogadott videót
2026 szeptemberében az 1.0 API már ellenőrizte a videóreferencia-mezőt, majd azt válaszolta, hogy a funkció nincs megvalósítva. A videós munkának meg kellett várnia az 1.5-öt.
Az 1.5 egész jeleneteket fordít
Az 1.5-tel egy 9 perces filmet fordítottunk le 12 nyelvre, minden sáv az eredeti hosszával megegyezett, magát a videót elküldve.
Kézi szinkron az 1.0-val
Az 1.5 előtt egy filmet soronként szinkronizáltunk spanyolra az 1.0-val és egy hangreferenciával. A hang megmaradt, de minden sort kézzel kellett időzíteni és ellenőrizni. A videófordítás ezt a kört kiváltja.
Funkciók egymás mellett
A ByteDance Seed Audio 1.5 áttekintéséből, amely a két verziót egy tipikus szövegfelolvasó (TTS) motorral veti össze.
| Mód | Seed Audio 1.5 | Seed Audio 1.0 | Tipikus TTS |
|---|---|---|---|
| Szövegfelolvasás | Igen | Igen | Igen |
| Hangklónozás | Igen | Igen | Igen |
| Szövegből hang (beszéd, effektek, zene) | Igen | Igen | Nem |
| Szöveg + referenciahang | Igen | Igen | Nem |
| Szöveg + videó → hang (szinkron) | Igen | Nem | Nem |
| Szöveg + videó + hangreferencia | Igen | Nem | Nem |
| Zene szövegből, legfeljebb 6 percig | Igen | Nem | Nem |
| Képesség | Seed Audio 1.5 |
|---|---|
| Videófordítás ugyanazzal a hanggal | Angolról vagy kínairól 30 nyelvre |
| Sávszétválasztás | Legfeljebb 6 sáv |
| Hangreferenciák kérésenként | Legfeljebb 6 |
| Hang kérésenként | Legfeljebb 6 perc |
| Időbélyeges vezérlés | Beszéd, effektek és zene |
| Dalok szöveggel | angol, kínai, japán, koreai, kantoni |
Forrás: ByteDance, „Seed Audio 1.5 — Everything To Hear Is Here” és a korai hozzáférésű integrációs útmutató, 2026. október.
GYIK
Mi a fő különbség a Seed Audio 1.5 és az 1.0 között?
A videóbemenet. A Seed Audio 1.5 videót fogad, és ahhoz illeszkedő hangot állít elő, ami lehetővé teszi a videószinkront, a videófordítást ugyanazzal a hanggal és a néma klipek hangjainak elkészítését. A Seed Audio 1.0 csak szövegből és referenciahangból dolgozik.
Hasznos még a Seed Audio 1.0?
Igen, szövegfelolvasásra és szövegvezérelt hangtervezésre, ahol nincs szükség videóra. A Doitong szövegfelolvasó eszköze ezen fut.
Több nyelvet támogat az 1.5?
A Seed Audio 1.5 30 nyelven beszél, a videófordítás pedig angolról vagy kínairól bármelyikükre működik, így magyarra is.
A Seed Audio 1.5 ugyanaz, mint a Seed Audio 2.0?
Egyes oldalak 2.0-ként tüntetik fel az új modellt. A ByteDance korai hozzáférésű dokumentációja Seed Audio 1.5 néven nevezi.
Kapcsolódó oldalak
Próbálja ki a verziót, amely a videóját is hallja
Fordítson, szinkronizáljon vagy zenésítsen meg egy klipet a Seed Audio 1.5-tel.
Kezdje el a Doitongban