对比
Seed Audio 1.5 与 1.0 有什么不同
一句话概括:视频
Seed Audio 1.0 不只是把文字念出来:一条提示词里就能同时写入人声、音效和环境音。1.5 保留了这些能力,并补上了 1.0 做不到的一点:支持以视频作为输入。视频配音、保留原声的翻译(也可以翻译成中文),以及为无声素材配音效,都由此而来。
Doitong 的文字转语音工具使用 Seed Audio 1.0,1.5 则是我们在抢先体验阶段测试的。
两个版本的实测观察
1.0 不支持视频
2026 年 9 月,1.0 的 API 已经能校验视频参考字段,但随后返回“尚未实现”。视频相关的工作只能等 1.5。
1.0 时代的手动配音
在 1.5 之前,我们用 1.0 加声音参考,逐句把一部影片配成西班牙语。声音保持得不错,但每一句都要手动对时间、逐条检查。视频翻译省掉了这个反复折腾的过程。
功能逐项对比
数据来自 ByteDance 的 Seed Audio 1.5 概览,其中把两个版本与常见的文字转语音引擎做了对比。
各版本支持的输入与输出
| 模式 | Seed Audio 1.5 | Seed Audio 1.0 | 常见 TTS |
|---|---|---|---|
| 文字转语音 | 支持 | 支持 | 支持 |
| 声音克隆 | 支持 | 支持 | 支持 |
| 文字生成音频(人声、音效、音乐) | 支持 | 支持 | 不支持 |
| 文字 + 参考音频 | 支持 | 支持 | 不支持 |
| 文字 + 视频 → 音频(配音) | 支持 | 不支持 | 不支持 |
| 文字 + 视频 + 声音参考 | 支持 | 不支持 | 不支持 |
| 文字生成音乐,最长 6 分钟 | 支持 | 不支持 | 不支持 |
1.5 新增能力
| 能力 | Seed Audio 1.5 |
|---|---|
| 保留原声的视频翻译 | 英语或中文 → 30 种语言 |
| 音轨分离 | 最多 6 条音轨 |
| 单次请求的声音参考数 | 最多 6 个 |
| 单次请求的音频时长 | 最长 6 分钟 |
| 时间戳控制 | 人声、音效和音乐 |
| 带歌词的歌曲 | 英语、中文、日语、韩语、粤语 |
来源:ByteDance,“Seed Audio 1.5 — Everything To Hear Is Here”及抢先体验接入指南,2026 年 10 月。
常见问题
Seed Audio 1.5 和 1.0 的主要区别是什么?
视频输入。Seed Audio 1.5 可以接收视频,并生成与画面匹配的音频,因此能做视频配音、保留原声的视频翻译,以及为无声片段配音效。Seed Audio 1.0 只能基于文字和参考音频工作。
Seed Audio 1.0 还有用吗?
有。在不涉及视频的文字转语音和文字驱动的音效设计场景中,1.0 依然适用。Doitong 的文字转语音工具就运行在它之上。
1.5 支持的语言更多吗?
Seed Audio 1.5 支持 30 种语言,视频翻译可以从英语或中文翻译成其中任意一种。
Seed Audio 1.5 就是 Seed Audio 2.0 吗?
有些网站把这个新模型称为 2.0,但 ByteDance 的抢先体验文档中,它的名称是 Seed Audio 1.5。