Seed Audio 1.5とSeed Audio 1.0の違い
ひとことで言えば、動画に対応したこと
Seed Audio 1.0は、テキストを読み上げるだけのモデルではありませんでした。1つのプロンプトに、声、効果音、環境音をまとめて指定できます。1.5ではその機能をすべて引き継ぎつつ、1.0にできなかった「動画を入力として受け取る」ことが可能になりました。吹き替え、同じ声での動画翻訳、無音の映像への音付けは、すべてここから実現します。英語または中国語の動画を日本語に翻訳することもできます。
Doitongのテキスト読み上げツールではSeed Audio 1.0を使用しており、1.5はアーリーアクセスでテストしました。
両方を動かして分かったこと
1.0はテキストで声をディレクションできる
Doitongのテキスト読み上げツールでは、Seed Audio 1.0に声の特徴を自由な文章で伝えられます。アクセント、感情、話すペースなどを指定でき、1つのプロンプトで、セリフの周りの効果音や環境音まで加えられます。
1.0は動画を受け付けなかった
2026年9月時点の1.0のAPIは、動画リファレンス用のフィールドの検証までは行うものの、その後「未実装」と返していました。動画を使った作業は、1.5を待つしかありませんでした。
1.0での吹き替えは手作業だった
1.5が登場する前は、1.0とボイスリファレンスを使って、映画をスペイン語に1行ずつ吹き替えていました。声は保てましたが、各行のタイミング調整と確認は手作業です。動画翻訳なら、この手間がなくなります。
機能ごとの比較
ByteDanceのSeed Audio 1.5の概要資料から引用しています。この資料では、2つのバージョンを一般的なテキスト読み上げエンジンと比較しています。
| モード | Seed Audio 1.5 | Seed Audio 1.0 | 一般的なTTS |
|---|---|---|---|
| テキスト読み上げ | 対応 | 対応 | 対応 |
| ボイスクローン | 対応 | 対応 | 対応 |
| テキストから音声生成(声・効果音・音楽) | 対応 | 対応 | 非対応 |
| テキスト+参照音声 | 対応 | 対応 | 非対応 |
| テキスト+動画 → 音声(吹き替え) | 対応 | 非対応 | 非対応 |
| テキスト+動画+ボイスリファレンス | 対応 | 非対応 | 非対応 |
| テキストから音楽生成(最長6分) | 対応 | 非対応 | 非対応 |
| 機能 | Seed Audio 1.5 |
|---|---|
| 同じ声での動画翻訳 | 英語または中国語 → 30言語 |
| ステム分離 | 最大6トラック |
| 1リクエストあたりのボイスリファレンス数 | 最大6件 |
| 1リクエストあたりの音声の長さ | 最長6分 |
| タイムスタンプ指定 | 声、効果音、音楽 |
| 歌詞付きの楽曲 | 英語、中国語、日本語、韓国語、広東語 |
出典:ByteDance「Seed Audio 1.5 — Everything To Hear Is Here」およびアーリーアクセス連携ガイド(2026年10月)。
よくある質問
Seed Audio 1.5と1.0の一番の違いは何ですか?
動画入力です。Seed Audio 1.5は動画を受け取り、それに合わせた音声を生成できます。そのため、動画の吹き替え、同じ声での動画翻訳、無音クリップへの音付けが可能です。Seed Audio 1.0が扱えるのは、テキストと参照音声のみです。
Seed Audio 1.0はまだ使えますか?
はい。動画を使わない、テキスト読み上げやテキストによるサウンドデザインには今でも有用です。Doitongのテキスト読み上げツールも1.0で動いています。
1.5は対応言語が増えましたか?
Seed Audio 1.5は30言語を話せます。動画翻訳では、英語または中国語から、そのいずれの言語にも翻訳できます。
Seed Audio 1.5とSeed Audio 2.0は同じものですか?
新モデルを2.0と表記しているサイトもありますが、ByteDanceのアーリーアクセス向け資料での名称はSeed Audio 1.5です。