音声・BGM・効果音を分離
ミックス済みの1トラックから、最大6本のクリーンなステムへ
完成した音声は、セリフも足音もBGMもひとつに溶け合った1つのファイルです。Seed Audio 1.5なら、それをもう一度ばらして、それぞれの声、効果音、BGMを個別のトラックとして取り出せます。編集ソフトにそのまま読み込んで、ミックスし直せます。
ByteDanceのドキュメントに基づく内容です。Doitong自身の結果は翻訳ページで紹介しており、分離機能はまだ自社の映画では試していません。
分離して取り出せるもの
ByteDance自身の例では、短いファンタジーのシーンが6本のトラックに分かれます。「声」と「音楽」だけでなく、話者ごと、音ごとに分かれる細かさがわかります。
話者ごとの声
この例では、ナレーター、女の子、男の子の声がそれぞれ別の音声トラックとして出力されます。
効果音ごとのトラック
足音は1本、ドアが閉まる音は別の1本。ほかの音に手を加えずに、1つだけ動かしたり差し替えたりできます。
BGM
バックグラウンドの音楽だけを単独で取り出せます。新しい声の下に残して使えるクリーンさです。
ステム分離の使いどころ
一部の音だけを直す
セリフの下でBGMを下げる、咳を取り除く、弱い効果音を差し替える。シーンを録り直さずに済みます。
リミックス・再編集
BGMを独立したステムにしておけば、予告編、ポッドキャストの切り抜き、ショート動画も作り直しやすくなります。
アーカイブ素材
元のプロジェクトファイルが残っていない古い動画も、完成版のミックスからステムを作り直せます。
音声を分離する手順
音声を書き出す
動画からミックス済みの音声をWAVまたはMP3で書き出します。1ファイルは2秒以上6分以内にしてください。
長いファイルは分割
それより長い音声は、パートに分けて入力します。音が途中で切れないよう、無音の箇所で区切ってください。
分離する
モデルが、声・効果音・BGMを最大6本のトラックにして返します。
ミックスを組み直す
ステムを同じ開始時間で編集ソフトに読み込めば、映像とずれずに揃います。
入力と出力
| 項目 | 上限 |
|---|---|
| 入力 | 音声ファイル1つ |
| 対応フォーマット | WAVまたはMP3 |
| 長さ | 2〜360秒 |
| ファイルサイズ | 最大90 MB |
| 出力ステム数 | 最大6 |
| 出力フォーマット | WAV(デフォルト)、MP3、PCM、OGG Opus |
出典:ByteDance Seed Audio 1.5 アーリーアクセス連携ガイド(2026年10月)。
ご利用前に知っておきたいこと
- 入力は動画ではなく音声です。先に音声を書き出してください。
- 1回のリクエストで出力できるのは最大6ステムです。
- 1回のリクエストで扱えるのは1ファイル、最長6分・90 MBまでです。長い音声は無音の箇所で分割してください。
- 編集する権利をお持ちの素材だけを分離してください。
ステム分離のよくある質問
ステム分離とは何ですか?
ミックス済みの音声を、声・効果音・BGMといった要素に分け、それぞれを別のトラックにすることです。個別に編集したり、ミックスし直したりできます。
Seed Audio 1.5は何本のステムを出力できますか?
最大6本です。ByteDanceの例では、ナレーター、ほかの2人の声、BGM、足音、ドアの音が6本の別トラックとして出力されます。
動画から音声を分離できますか?
分離に使えるのは音声ファイルです。先に動画から音声をWAVまたはMP3で書き出してください。1ファイルあたり最長6分、90 MBまでです。
声だけを消してBGMを残すことはできますか?
はい。声が独立したステムになれば、ミュートしたり、差し替えたり、翻訳したりしながら、BGMと効果音はそのまま残せます。