ByteDance: Seedance 2.0 Fast

Seedance 2.0 Fast er ByteDance Seeds hastighedsorienterede udgave af Seedance 2.0-familien. Den understøtter fælles generering af video og lyd og en multimodal brief bygget af tekst, billeder, video og lyd. Dens kreative muligheder omfatter nye referencedrevne scener, redigering af eksisterende optagelser og forlængelse af en scene, mens de dokumenterede outputniveauer er 480p og 720p.

Multimodal reference: giv materialet roller

Et billede kan levere en figur, et produkt, en komposition eller en visuel behandling. En referencevideo kan levere handling, kamerabevægelse eller en effekt. Referencelyd kan levere stemmeklang, musikalsk melodi eller dialogindhold. Forklar, hvilken del af hver kilde du vil føre ind i den nye scene; en reference er mere nyttig, når den har en bestemt kreativ rolle.

For eksempel: »Brug den keramiske lampe i Image 1 som produktet. Følg den langsomme kameracirkling fra Video 1, men placer lampen i en rolig læsekrog. Brug Audio 1 til den musikalske stemning.« Det tilsigtede output er en ny scene, der kombinerer det valgte udseende, bevægelsen og lydretningen frem for en uspecificeret efterligning af alle detaljer i referencerne.

De dokumenterede kombinationer omfatter billeder med lyd, billeder med video, video med lyd og alle tre sammen. Tekst med lyd alene og input med kun lyd understøttes ikke. Modellen understøtter også tekst-til-video og billedstyret generering fra et første billede eller et par med første og sidste billede. Når et præcist endepunkt er centralt for briefen, skal den dedikerede endepunktsarbejdsgang bruges; at beskrive et referencebillede som endepunkt i en omni-reference-prompt er indirekte kontrol.

Redigering af en eksisterende video

Modellen kan tilføje, fjerne eller ændre elementer, erstatte et motiv og gentegne eller reparere dele af en scene. Identificer kildevideoen, objektet der skal ændres, og de elementer der skal blive. Ved tilføjelse skal du beskrive, hvor og hvornår den optræder. Ved fjernelse skal objektet identificeres ensartet gennem hele klippet.

En praktisk redigeringsbrief kan erstatte en almindelig flaske i en demonstration med flasken fra Image 1 og samtidig bede om at bevare håndbevægelse, baggrund og kamerabane fra Video 1. Gennemgå både erstatningen og de områder, der skal forblive stabile. Tydelige bevaringsinstruktioner gør den tilsigtede redigering lettere at vurdere end en generel anmodning om at »forbedre« optagelserne.

Forlængelse og sammenkobling af klip

Seedance 2.0 Fast understøtter forlængelse fremad eller bagud og sammenkobling af to eller tre klip med genererede overgange. Til en forlængelse skal du angive, om den nye handling sker før eller efter den leverede video, og beskrive handlingen. Til en sammenkobling skal klippene gives i den tilsigtede rækkefølge, og den visuelle begivenhed, der forbinder dem, forklares.

En enkel forlængelse returnerer normalt den nyudviklede fortsættelse omkring de oprindelige optagelser frem for at antage, at hele kildeklippet gentages. Hvis outputtet skal indeholde det oprindelige segment, skal det siges i briefen. Når en overgang mellem to eller tre videoer udfyldes, kan den dokumenterede arbejdsgang kombinere originalt og nygenereret indhold. Det er nyttigt til at forbinde et bredt produktbillede med en detaljeindstilling gennem en målrettet kamerabevægelse.

Output og forskelle mellem udgaver

Det dokumenterede Fast-output er MP4 ved 24 fps med 480p eller 720p, 8-bit-farvedybde og klip på 4–15 sekunder. Understøttede billedformater er 21:9, 16:9, 4:3, 1:1, 3:4 og 9:16. Standardudgaven af Seedance 2.0 angiver særskilt 1080p- og 4K-output; de niveauer er ikke en del af Fast-specifikationen. 2.0-familien understøtter returnering af det sidste genererede billede, men ikke den særskilte Draft-forhåndsvisningstilstand.

Lyd kan genereres med optagelserne eller udelades til et lydløst klip. Genereret lyd er mono. Dokumenterede promptsprog omfatter engelsk, spansk, indonesisk, portugisisk og japansk. Hold det talte sprog ensartet i en dialog; vejledningen fraråder at blande sprog bortset fra egennavne. Til en talt scene skal taleren navngives, replikken sættes i anførselstegn, og fremførelsen og relevante lydeffekter angives. Hold den ønskede præstation passende til den valgte kliplængde.

Forberedelse af referencer og overholdelse af inputgrænser

De dokumenterede referencegrænser er op til ni billeder, tre videoer og tre lydklip. Direkte uploads af referencebilleder eller videoer med virkelige menneskeansigter accepteres ikke i denne dokumenterede producentprofil; portrætarbejde bruger den understøttede arbejdsgang for portrætaktiver. Hvert video- eller lydklip skal være 2–15 sekunder langt; den samlede videovarighed er højst 15 sekunder, og den samlede lydvarighed er særskilt højst 15 sekunder. Videoreferencer bruger MP4 eller MOV ved 24–60 fps og må ikke overstige 200 MB hver. Lydreferencer bruger WAV eller MP3 og må ikke overstige 15 MB hver. De angivne billedformater er JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC og HEIF. Billeder skal være mindre end 30 MB hver; den samlede grænse for anmodningens body er 64 MB. I den dokumenterede referenceinputprofil skal billedbredde og -højde hver være strengt mellem 300 og 6.000 pixels med et bredde-højde-forhold strengt mellem 0.4 og 2.5. Referencevideoer tillader 300–6.000 pixels i hver dimension og forhold på 0.4–2.5 inklusive grænserne med i alt 407.696–8.295.044 pixels. MP4- eller MOV-videoer bruger H.264/AVC- eller H.265/HEVC-video og AAC- eller MP3-lyd.

Ordn aktiverne, og henvis konsekvent til dem som Image 1, Video 1 eller Audio 1. Brug det synlige motivs navn eller særlige kendetegn sammen med aktivnummeret. Tilpas indramningen af endepunktsbilleder til det ønskede videoformat, da et mismatch kan beskære billedet eller give en brat ændring i indramningen. Hold briefen fokuseret på de træk, der skal overføres, begivenheden, der skal genereres, og det, der skal forblive uændret; en lang prompt kan sprede instruktionerne og efterlade sekundære detaljer uafklarede.

Indstillingsplanlægning, tekst og kendt adfærd

Organiser en kompleks brief som Shot 1, Shot 2 og Shot 3 med tydeligt motiv, handling, position og lyd for hver. Vejledningen anbefaler én kamerabevægelse pr. indstilling og siger, at præcise tidsstempler for hver indstilling er ustabile. Giv hver figur en stabil betegnelse og nogle få karakteristiske træk; brug et særskilt tydeligt portrætbillede og en helkropsreference frem for et samlet figurark fra flere vinkler, når ansigtsidentiteten er vigtig.

Modellen kan generere almindelig tekst, herunder slogans, undertekster og talebobler, med anvisninger for farve, stil, position og indgang. Almindelige tegn foretrækkes frem for sjældne tegn eller specialsymboler. Kontrollér bogstaverne i bevægelse. Uønskede undertekster, logoer og duplikerede figurer er dokumenteret adfærd; eksplicitte begrænsninger og rene referencer kan reducere dem, men garanterer ikke deres fravær. Mere end fire referencepersoner rapporteres som en stabilitetsrisiko, ikke en hård grænse for antal filer.

Gentagne forlængelser kan forstærke tab af billedkvalitet, og samlingen ved en forlængelse kan hoppe eller gå tilbage. Begræns stablede fortsættelser, og undersøg samlingen i redigeringen. Den refererede stemmeklang kan ændre sig gradvist, fortælling kan slutte med et klik, og kinesiske tegn med flere mulige udtaler eller usædvanlige tegn kan udtales forkert. Kontrollér replikken og den afsluttende lyd; en kort lydudtoning kan hjælpe ved en brat afskæring. Disse kontroller er en del af forberedelsen af det kreative resultat, især når tale eller figurkontinuitet bærer fortællingen.