Seed Audio 1.5 vs 1.0: o que mudou
Resposta curta: vídeo
O Seed Audio 1.0 já fazia mais do que ler texto em voz alta: um único prompt podia reunir vozes, efeitos e ambiência. A versão 1.5 mantém tudo isso e acrescenta o que a 1.0 não fazia: receber um vídeo como entrada. Dublagem, tradução mantendo a mesma voz e som para filmagens sem áudio vêm daí. Dá para traduzir para português também.
Usamos o Seed Audio 1.0 na ferramenta de texto para fala da Doitong e testamos a 1.5 em acesso antecipado.
O que vimos ao rodar as duas versões
A 1.0 dirige uma voz a partir do texto
Na nossa ferramenta de texto para fala, o Seed Audio 1.0 aceita uma descrição livre da voz: sotaque, humor, ritmo. Um único prompt também pode incluir efeitos e ambiência ao redor da fala.
A 1.0 não aceitava vídeo
Em setembro de 2026, a API da 1.0 já validava um campo de referência de vídeo, mas respondia que ele não estava implementado. O trabalho com vídeo teve que esperar a 1.5.
A 1.5 traduz cenas inteiras
Com a 1.5, traduzimos um filme de 9 minutos para 12 idiomas, cada faixa com a duração do original, enviando o próprio vídeo.
Dublagem manual na 1.0
Antes da 1.5, dublamos um filme em espanhol linha por linha com a 1.0 e uma referência de voz. A voz se manteve, mas cada fala precisava ser sincronizada e conferida à mão. A tradução de vídeo elimina esse vaivém.
Recurso por recurso
Da visão geral do Seed Audio 1.5 publicada pela ByteDance, que compara as duas versões com um mecanismo de texto para fala (TTS) comum.
| Modo | Seed Audio 1.5 | Seed Audio 1.0 | TTS comum |
|---|---|---|---|
| Texto para fala | Sim | Sim | Sim |
| Clonagem de voz | Sim | Sim | Sim |
| Texto para áudio (voz, efeitos, música) | Sim | Sim | Não |
| Texto + áudio de referência | Sim | Sim | Não |
| Texto + vídeo → áudio (dublagem) | Sim | Não | Não |
| Texto + vídeo + referência de voz | Sim | Não | Não |
| Música a partir de texto, até 6 minutos | Sim | Não | Não |
| Recurso | Seed Audio 1.5 |
|---|---|
| Tradução de vídeo com a mesma voz | Inglês ou chinês → 30 idiomas |
| Separação de stems | Até 6 faixas |
| Referências de voz por requisição | Até 6 |
| Áudio por requisição | Até 6 minutos |
| Controle por timestamp | Voz, efeitos e música |
| Músicas com letra | Inglês, chinês, japonês, coreano, cantonês |
Fonte: ByteDance, “Seed Audio 1.5 — Everything To Hear Is Here” e o guia de integração de acesso antecipado, outubro de 2026.
Perguntas frequentes
Qual é a principal diferença entre o Seed Audio 1.5 e o 1.0?
A entrada de vídeo. O Seed Audio 1.5 aceita um vídeo e gera um áudio que acompanha a imagem, o que permite dublar vídeos, traduzir vídeos mantendo a mesma voz e criar som para clipes sem áudio. O Seed Audio 1.0 trabalha apenas com texto e áudio de referência.
O Seed Audio 1.0 ainda é útil?
Sim, para texto para fala e design de som guiado por texto, quando não há vídeo envolvido. A ferramenta de texto para fala da Doitong roda nele.
A 1.5 oferece mais idiomas?
O Seed Audio 1.5 fala 30 idiomas, e a tradução de vídeo vai do inglês ou do chinês para qualquer um deles.
O Seed Audio 1.5 é o mesmo que o Seed Audio 2.0?
Alguns sites listam o novo modelo como 2.0. A documentação de acesso antecipado da ByteDance o chama de Seed Audio 1.5.
Leia também
Experimente a versão que escuta o seu vídeo
Traduza, duble ou crie a trilha de um clipe com o Seed Audio 1.5.
Começar na Doitong