Seed Audio 1.5 vs 1.0: co się zmieniło
Krótka odpowiedź: wideo
Seed Audio 1.0 potrafił już więcej niż czytać tekst na głos: jeden prompt mógł zawierać głosy, efekty dźwiękowe i tło. Wersja 1.5 zachowuje to wszystko i dodaje to, czego 1.0 nie umiał: przyjmuje wideo jako dane wejściowe. Z tego wynikają dubbing, tłumaczenie wideo tym samym głosem i dźwięk do niemych nagrań. Tłumaczyć można także na polski.
Seed Audio 1.0 działa w narzędziu Doitong do zamiany tekstu na mowę, a wersję 1.5 testowaliśmy we wczesnym dostępie.
Co zobaczyliśmy, testując obie wersje
1.0 reżyseruje głos na podstawie tekstu
W naszym narzędziu do zamiany tekstu na mowę Seed Audio 1.0 przyjmuje swobodny opis głosu: akcent, nastrój, tempo. Jeden prompt może też zawierać efekty i tło wokół mowy.
1.0 nie przyjmował wideo
We wrześniu 2026 API wersji 1.0 sprawdzało już poprawność pola z referencją wideo, a potem odpowiadało, że funkcja nie jest zaimplementowana. Praca z wideo musiała poczekać na 1.5.
1.5 tłumaczy całe sceny
Za pomocą 1.5 przetłumaczyliśmy 9-minutowy film na 12 języków, wysyłając samo wideo. Każda ścieżka miała długość oryginału.
Dubbing ręczny w 1.0
Przed 1.5 dubbingowaliśmy film na hiszpański kwestia po kwestii, używając 1.0 i referencji głosu. Głos się trzymał, ale każdą kwestię trzeba było ręcznie dopasować czasowo i sprawdzić. Tłumaczenie wideo likwiduje ten żmudny cykl.
Funkcja po funkcji
Na podstawie przeglądu Seed Audio 1.5 od ByteDance, który porównuje obie wersje z typowym silnikiem zamiany tekstu na mowę.
| Tryb | Seed Audio 1.5 | Seed Audio 1.0 | Typowy TTS |
|---|---|---|---|
| Tekst na mowę | Tak | Tak | Tak |
| Klonowanie głosu | Tak | Tak | Tak |
| Tekst na dźwięk (głos, efekty, muzyka) | Tak | Tak | Nie |
| Tekst + nagranie referencyjne | Tak | Tak | Nie |
| Tekst + wideo → dźwięk (dubbing) | Tak | Nie | Nie |
| Tekst + wideo + referencja głosu | Tak | Nie | Nie |
| Muzyka z tekstu, do 6 minut | Tak | Nie | Nie |
| Funkcja | Seed Audio 1.5 |
|---|---|
| Tłumaczenie wideo tym samym głosem | Z angielskiego lub chińskiego na 30 języków |
| Rozdzielanie ścieżek (stemów) | Do 6 ścieżek |
| Referencje głosu w jednym zapytaniu | Do 6 |
| Dźwięk w jednym zapytaniu | Do 6 minut |
| Sterowanie znacznikami czasu | Głos, efekty i muzyka |
| Piosenki z tekstem | Angielski, chiński, japoński, koreański, kantoński |
Źródło: ByteDance, „Seed Audio 1.5 — Everything To Hear Is Here” oraz przewodnik integracji wczesnego dostępu, październik 2026.
Najczęstsze pytania
Jaka jest główna różnica między Seed Audio 1.5 a 1.0?
Wideo na wejściu. Seed Audio 1.5 przyjmuje wideo i tworzy dopasowany do niego dźwięk, co umożliwia dubbing, tłumaczenie wideo tym samym głosem i dźwięk do niemych klipów. Seed Audio 1.0 pracuje wyłącznie na tekście i nagraniach referencyjnych.
Czy Seed Audio 1.0 nadal się przydaje?
Tak, do zamiany tekstu na mowę i projektowania dźwięku na podstawie tekstu, gdy nie ma wideo. Narzędzie Doitong do zamiany tekstu na mowę działa właśnie na nim.
Czy 1.5 obsługuje więcej języków?
Seed Audio 1.5 mówi w 30 językach (w tym po polsku), a tłumaczenie wideo działa z angielskiego lub chińskiego na każdy z nich.
Czy Seed Audio 1.5 to to samo co Seed Audio 2.0?
Niektóre strony podają nowy model jako 2.0. W dokumentacji wczesnego dostępu ByteDance nosi on nazwę Seed Audio 1.5.
Powiązane
Wypróbuj wersję, która słucha Twojego wideo
Przetłumacz klip, zrób do niego dubbing lub dodaj dźwięk z Seed Audio 1.5.
Zacznij w Doitong