视频配音
有声场景
聆听人声、音乐和音效为一个场景完美交织。
视频包含对话、音乐和音效的屏幕说明。Seed Audio 1.5 · 即将登陆 Popcraft
Seed Audio 1.5. 听见万物。
即将登陆 Popcraft。根据文本、视频和音频参考，预览包含对话、环境音、音效和音乐的场景音频。Popcraft 的Seed Audio 1.5 在 Popcraft 的上线日期及定价尚未公布。
探索 Seed Audio 1.5 ↓示例
置于情境中聆听。
Seed Audio 1.5 展示中提供的预览演示。Popcraft 生成功能即将推出。
时间轴控制
人声、音乐、精彩瞬间
聆听在英文广告中，如何通过时间轴编排多个人声、音乐和音效。
有何不同
更多创作音频的方式。
结合文本、视频和音频参考来塑造生成结果。
| 输入 / 功能 | 工作原理 | Audio 1.5 | Audio 1.0 | 传统 TTS |
|---|---|---|---|---|
| 文字转语音 | 选择音色并提供文本。 | 是 | 是 | 是 |
| 声音克隆 | 使用一段音频剪辑作为语音参考。 | 是 | 是 | 是 |
| 文本 → 音频 | 描述语音、音效和背景音乐。 | 是 | 是 | 否 |
| 文本 + 音频 → 音频 | 添加针对音色特征或情感的参考。 | 是 | 是 | 否 |
| 文本 + 视频 → 音频 | 描述契合视频画面视觉内容的音频。 | 是 | 否 | 否 |
| 文本 + 视频 + 音频 → 音频 | 添加音频参考以指定配音音色。 | 是 | 否 | 否 |
| 文本 → 音乐 | 描述长达 6 分钟的音乐。 | 是 | 否 | 否 |
一个模型，更多可能
让画面开口说话。
本预览中的功能和限制源自 Seed Audio 1.5 展示版本。Popcraft 的最终功能和限制将在发布时确认。
从构建第一个声场到切换一种新语言，根据您想要讲述的故事来塑造音频。
6 分钟单次请求最大音频长度
6单次请求中的音频参考数量
33支持的语言
01 / 视频配音
为场景而声
使用视频作为参考，生成契合画面的语音、音效和背景音乐。
描述您所需的具体对话、音效和音乐；配音并非自动生成。02 / 视频翻译
让声音传得更远
翻译口语内容，同时保留原始音色特征、音效和背景音乐。
已记录的翻译对包括中文或英文翻译至 30 种目标语言。03 / 音轨分离
更多精修空间
将人声、音效和背景音乐输出为独立的音轨（Stems），以便进一步剪辑。
04 / 音乐生成
寻找背景乐
通过文本描述音乐，或生成带有歌词的歌曲。音乐最长可达 6 分钟。
声色合一之前
从场景开始。
原始场景
将此视频与上述示例中增强后的场景进行对比。
视频翻译示例
用不同的方式聆听同一场景。
跨越语言隔阂
视频翻译的简短演示。
《爆裂鼓手》· 英语
原始英文场景。
《爆裂鼓手》· 日语
由 Seed Audio 1.5 翻译的日语版本。
《生活大爆炸》· 英语
原始英文场景。
《生活大爆炸》· 墨西哥西班牙语
由 Seed Audio 1.5 翻译的墨西哥西班牙语版本。
音轨分离
拆解混音。
提供音频文件，将人声、音效和背景音乐分离为独立的输出轨道，以便进行后期混音。当前版本支持最多六个轨道。
从音频到可编辑轨道
每个输出轨道都可以在混音工作流中单独使用。
这段 58 秒的示例将一段混音文件分离为：旁白、女孩、男孩、奇幻音乐、脚步声和关门声轨道。
明确功能限制
- 音轨分离最多支持 6 个输出轨道。
- 单次生成请求中最多支持 6 个音频参考。
- 单次请求最多生成 6 分钟音频。
分离并对比
一首混音，六个部分。
场景中的音轨分离
人声、音效和音乐作为独立输出的演示。
聆听混音及每个独立轨道。
原始混音
旁白
女孩
男孩
奇幻音乐
脚步声
关门声
音乐生成
描述背景音乐。
指导音乐选择
在音乐需求中指定流派、情绪、人声、乐器和结构。通过文本描述生成音乐，或生成带有歌词的歌曲。
音乐最长可达 6 分钟。
五种音乐语言
音乐生成支持英语、中文、日语、韩语和粤语。
此音乐专用列表独立于模型支持的 33 种更广泛的语言。
音乐示例
从需求到音乐。
音乐生成
探索音乐生成演示。
语言支持
了解语言覆盖范围。
该模型总体支持 33 种语言。翻译从中文或英文开始，支持这 30 个目标语种。
- 中文 ·
zh - 英语 ·
en - 日语 ·
ja - 韩语 ·
ko - 德语 ·
de - 法语 ·
fr - 巴西葡萄牙语 ·
pt-BR - 泰语 ·
th - 印尼语 ·
id - 越南语 ·
vi - 马来语 ·
ms - 菲律宾语 ·
fil - 意大利语 ·
it - 俄语 ·
ru - 荷兰语 ·
nl - 波兰语 ·
pl - 土耳其语 ·
tr - 瑞典语 ·
sv - 卡斯蒂利亚西班牙语 ·
es-ES - 墨西哥西班牙语 ·
es-MX - 阿拉伯语 ·
ar - 欧洲葡萄牙语 ·
pt-PT - 芬兰语 ·
fi - 丹麦语 ·
da - 挪威语 ·
no - 捷克语 ·
cs - 匈牙利语 ·
hu - 希腊语 ·
el - 罗马尼亚语 ·
ro - 印地语 ·
hi
超越翻译列表
33 种语言的总列表还包括泰米尔语、奥里亚语和孟加拉语。阿拉伯语项指定为沙特口音。这些更广泛的功能不包含在已记录的翻译对中。
精准控制
让每一刻都精彩。
使用时间轴将旁白、音效和背景音乐放置在故事需要的地方。
人声
放置口语瞬间。
音效
赋予动作质感。
音乐
营造场景氛围。
探索广告的时间轴与人声指导
时间范围用于放置语音、音效和音乐。每个人声都有其独特的音色、口音和演绎方向。
- 0.0–49.5秒
动感的电子音乐贯穿整个广告。
- 0.0–1.2秒
清脆的水花声拉开音频序幕。
- 1.9–4.9秒
音色清澈柔和的小男孩，纯真且富有想象力，中亚裔英式英语口音；稳健、放松、欢快且富有童趣的商业演绎：“BYD 是我在码头看到的大船。”
- 5.8–9.0秒
嗓音灵动清透的小女孩，性格活泼可爱，美式英语口音；节奏明快且带有一丝反驳感的商业演绎：“不，我爷爷说 BYD 是来自东方的神话。”
- 10.1–13.2秒
声音明亮、甜美、柔和的小女孩，带有中国口音的美式英语；愉悦且带着一丝趣味的商业演绎：“我妈妈在 BYD 工作。她说，BYD，Build Your Dreams。”
- 13.4–15.4秒
孩子们的笑声，随后是节奏更快、充满科技感的音乐，伴有相机快门音效。
- 15.8–17.8秒
嗓音略显厚实、带有微妙气声的年轻女性，性格优雅端庄，带有法语口音的美式英语；赞赏、沉稳且清晰的商业演绎：“简单来说，这是我见过最令人难忘的车型。”
- 19.3–22.1秒
嗓音低沉粗犷、略带沙哑的中年探险家，性格成熟，通用美式口音；豪迈、坚定且富有感染力的商业演绎：“他是穿越安第斯山脉最可靠的伙伴。”
- 23.2–25.2秒
中高音域、音质略显平实年轻男性，通用美式口音；短促、兴奋的商业演绎：“他是竞技场上的新猛兽。”
- 27.3–29.7秒
嗓音深沉、具有商务稳重感的年轻男性，通用美式口音；轻柔、放松的商业演绎，带着满足感：“BYD 就是我车轮上的商务休息室。”
- 29.7–49.5秒
品牌音乐在海浪、风声和车辆行驶声中结束广告。
需知
Seed Audio 1.5 即将登陆 Popcraft，目前尚不支持在此生成。发布日期和定价尚未公布。
文档中描述了文本、视频和音频参考。一个请求最多可以使用六个音频参考。
不是。您需要提供针对具体内容、音效和背景音乐的文本描述。
已记录的视频翻译对从中文或英文开始，可翻译至 30 种支持的目标语言。该模型总体支持 33 种语言。
继续探索
相关模型
Eleven v4
ElevenLabs
Popcraft 上的 Eleven v4 与 Eleven v4 Turbo：ElevenLabs 迄今最具情感表现力的文本转语音模型。支持内联音频标签、90 多种语言、单次高达 10,000 字符，以及专为实时语音智能体打造的 Turbo 版本。
Music V2.5
Popcraft
在 Popcraft 上使用 Music V2.5 秒速为视频配乐。生成 AI 背景音乐、器乐 BGM 和情绪匹配的音轨，时长 3 到 200 秒。
ElevenLabs SFX
ElevenLabs
在 Popcraft 上使用 ElevenLabs SFX 从文字生成自定义音效。0.5-22 秒片段、可调节提示词影响力、48 kHz 录音棚品质音频。
Seedance 2.5
ByteDance
Seedance 2.5 单次任务最长可生成 30 秒视频，支持最多 50 个参考素材、可控视频编辑、高保真时序延展，宽高比支持 0.4 至 2.5，原生支持 10 种以上语言输入提示词。现已在 Popcraft 上线。