Seed Audio 1.5: traduza e dube vídeos com a mesma voz
Um único modelo para voz, efeitos sonoros e música, guiado pelo seu vídeo
O Seed Audio 1.5 é o novo modelo de áudio da ByteDance. Ele recebe um vídeo, escuta o conteúdo e cria uma nova trilha sonora: o mesmo narrador falando japonês, uma dublagem que acompanha a imagem, ou voz, música e efeitos separados em faixas independentes. Usamos o modelo em acesso antecipado para traduzir um filme animado de 9 minutos para 12 idiomas, e você também pode traduzir para o português. Veja o que ele fez, onde errou e como chegar ao mesmo resultado.
A Doitong é uma plataforma independente e não é afiliada à ByteDance.
Nosso teste: um filme, 12 idiomas, o mesmo narrador
Pegamos “The Last Ordinary Day in Pompeii”, um filme animado de história com 9 minutos e narração em inglês, e o processamos na tradução de vídeo do Seed Audio 1.5, uma vez para cada idioma. Dê play no vídeo e abra Configurações → Faixa de áudio para alternar entre o original em inglês e as 12 traduções.
Faixas de áudio deste vídeo: inglês (original) mais russo, alemão, francês, espanhol (Espanha), italiano, japonês, coreano, holandês, sueco, dinamarquês, norueguês e finlandês.
- Duração do filme
- 9:00
- Idiomas
- 12
- Tempo por requisição
- 2,6–3,3 min
- Diferença de duração
- < 0,03 s
Como fizemos o teste
Os números acima vêm dos nossos próprios registros, não de um comunicado de imprensa. Três detalhes importam se você quiser repetir o teste.
Corte em uma pausa
Cada requisição aceita um vídeo de 4 a 360 segundos, então o filme de 9 minutos entrou em duas partes, cortadas em uma pausa natural: 4:43 e 4:17. Doze idiomas significaram 24 requisições, e cada uma voltou em 157 a 200 segundos.
A duração se manteve
Todas as partes traduzidas voltaram com a mesma duração do original. A primeira parte retornou com 283,26 segundos contra 283,29 da fonte, a segunda com 256,83 contra 256,83, e os valores foram os mesmos em todos os idiomas. A nova narração encaixou na imagem sem precisar de reajuste de tempo.
Enviamos só a voz
Entregamos ao modelo a narração sem música e depois mixamos de volta a nossa própria trilha e os efeitos. Manter música e efeitos dentro da tradução é um recurso declarado do modelo, mas este teste específico não dependeu disso.
O que o Seed Audio 1.5 faz
A versão 1.5 é o primeiro modelo Seed Audio que aceita vídeo. Essa única mudança abre a maioria das tarefas abaixo.
Traduzir um vídeo com a mesma voz
Do inglês ou do chinês para 30 idiomas. A voz mantém o caráter de quem fala, e os efeitos e a música de fundo originais continuam no lugar, mudando apenas a fala.
Dublar um vídeo a partir de uma descrição
Envie um vídeo e descreva o que deve ser ouvido: as falas, as vozes, os efeitos, a música. Ele cria um áudio que acompanha a imagem. Ele não inventa o roteiro por você.
Separar o áudio em stems
Envie um arquivo de áudio e receba voz, efeitos e música em faixas separadas, até seis, prontas para uma sessão de mixagem.
Sonorizar um clipe mudo
Peça som ambiente, passos, uma porta, uma base musical e posicione cada elemento na linha do tempo com timestamps no prompt.
Clonar uma voz
Até seis clipes de referência de 2 a 30 segundos cada definem o timbre. Combine uma referência com um vídeo e a dublagem é falada nessa voz.
Criar músicas com letra
Músicas de até seis minutos a partir de um briefing em texto, com letra cantada em inglês, chinês, japonês, coreano ou cantonês.
Limites do Seed Audio 1.5
Limites do guia de integração de acesso antecipado da ByteDance. Confira antes de cortar o seu vídeo.
| Entrada | Limite |
|---|---|
| Duração do vídeo | 4–360 segundos por requisição |
| Formatos de vídeo | MP4, MOV |
| Resolução do vídeo | 480p, 720p ou 1080p |
| Tamanho do arquivo de vídeo | Até 200 MB |
| Clipes de referência de voz | Até 6, de 2–30 s cada, 180 s no total |
| Áudio para separação de stems | Um arquivo, 2–360 s, até 90 MB, WAV ou MP3 |
| Saída | Valor |
|---|---|
| Maior áudio por requisição | 6 minutos |
| Faixas de stems | Até 6 |
| Formatos | WAV (padrão), MP3, PCM, OGG Opus |
| Taxa de amostragem padrão | 44,1 kHz |
| Idiomas para fala | 30 |
| Origem da tradução de vídeo | Inglês ou chinês, ou detectado automaticamente |
Fonte: guia de integração de acesso antecipado do Seed Audio 1.5 da ByteDance, outubro de 2026. Os limites podem mudar após o lançamento.
30 idiomas
O Seed Audio 1.5 fala estes idiomas. A tradução de vídeo vai do inglês ou do chinês para qualquer um deles.
As letras de músicas são aceitas em um conjunto menor: inglês, chinês, japonês, coreano e cantonês.
Prompts que funcionam
O guia de prompts da ByteDance descreve três níveis: uma descrição simples, um roteiro que define a ordem dos eventos e uma linha do tempo com segundos exatos. Comece pelo simples e use timestamps só onde o tempo importa. Os prompts ficam em inglês, que é o idioma que o modelo segue melhor.
Uma locução simples
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.”
Primeiro as restrições, depois a voz, depois as palavras exatas. Dizer o que não deve aparecer importa tanto quanto dizer o que deve.
Uma cena com tempo marcado
[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.
Os timestamps posicionam cada som na linha do tempo, de modo que o áudio se alinha aos cortes que você já fez.
Pontos de atenção
Problemas que encontramos nos testes e limites que a documentação deixa claros.
- Nomes e palavras raras podem variar de uma tentativa para outra. Na tradução para russo do nosso segundo filme de teste, ambientado em Londres em 1666, a palavra antiga para um barco do rio Tâmisa saiu errada e o nome de um personagem mudou de forma. A tradução de vídeo aceita um glossário, então liste os nomes antes de rodar.
- A dublagem precisa de uma descrição. O Seed Audio 1.5 não escreve falas por conta própria; diga a ele o que é dito e o que se ouve.
- Ele gera som, não movimento labial. A voz traduzida mantém o tempo do original, mas as bocas na tela não são redesenhadas.
- Uma requisição cobre até 6 minutos. Vídeos mais longos precisam ser divididos, e um corte no meio de uma frase é audível, então corte em uma pausa.
- A tradução de vídeo parte do inglês ou do chinês. Um vídeo em outro idioma não pode ser traduzido diretamente.
- Clone apenas vozes que você tenha o direito de usar.
Perguntas frequentes sobre o Seed Audio 1.5
O que é o Seed Audio 1.5?
O Seed Audio 1.5 é um modelo de geração de áudio da ByteDance, lançado em 28 de outubro de 2026. Ele produz fala, efeitos sonoros e música de uma só vez e é a primeira versão do Seed Audio que aceita vídeo, o que torna possível a dublagem de vídeo e a tradução de vídeo com a mesma voz.
O Seed Audio 1.5 traduz um vídeo mantendo a mesma voz?
Sim. A tradução de vídeo refaz a fala em outro idioma mantendo o caráter da voz de quem fala, e conserva os efeitos sonoros e a música originais. No nosso teste, uma narração de 9 minutos em inglês voltou em 12 idiomas, cada uma com a mesma duração do original.
Quais idiomas o Seed Audio 1.5 aceita?
30 idiomas para fala, incluindo inglês, chinês, japonês, coreano, espanhol (Espanha e México), português (Brasil e Portugal), alemão, francês, russo, árabe e hindi. A tradução de vídeo vai do inglês ou do chinês para qualquer um dos 30.
Qual é a duração máxima do vídeo?
Cada requisição aceita um vídeo de 4 a 360 segundos, de até 200 MB, em 480p, 720p ou 1080p. Para um filme mais longo, divida-o em pausas e traduza as partes uma a uma, como fizemos com o filme de 9 minutos sobre Pompeia.
Quanto tempo leva uma tradução?
Nas nossas execuções, cada parte de cerca de quatro minutos e meio levou entre 157 e 200 segundos por idioma.
O Seed Audio 1.5 faz sincronização labial (lip sync)?
Não. Ele gera áudio. A voz traduzida segue o tempo do original, mas o vídeo em si, incluindo o movimento da boca, não é alterado.
Ele consegue separar voz, música e efeitos sonoros?
Sim. Envie um arquivo de áudio de até 6 minutos e ele devolve voz, efeitos e música em faixas separadas, até seis no total.
O que mudou em relação ao Seed Audio 1.0?
O Seed Audio 1.5 adiciona entrada de vídeo, que traz a dublagem e a tradução de vídeo. Também adiciona separação de stems e música de até 6 minutos, aceita até seis clipes de referência de voz, gera até 6 minutos de áudio por requisição e fala 30 idiomas.
O Seed Audio 1.5 é o mesmo que o Seed Audio 2.0?
Alguns sites listam o modelo futuro como Seed Audio 2.0. A documentação de acesso antecipado da ByteDance o chama de Seed Audio 1.5, e é esse o nome que usamos.
A Doitong é afiliada à ByteDance?
Não. A Doitong é uma plataforma independente de vídeo com IA. Tivemos acesso antecipado ao Seed Audio 1.5 e descrevemos aqui os nossos próprios resultados.
O que você pode fazer com o Seed Audio 1.5
Dê ao seu vídeo uma voz em outro idioma
Comece com um clipe curto, confira os nomes e depois rode o filme inteiro.
Começar na Doitong