ByteDance: Seedance 2.0 Mini

Seedance 2.0 Mini er en særskilt navngiven model i ByteDances audiovisuelle Seedance 2.0-familie. Producenten dokumenterer tekst-til-video, billede-til-video med første billede eller første og sidste billede, multimodal referencegenerering, videoredigering og videoforlængelse. Lyd kan genereres sammen med billedet. Vælg en produktionstilstand efter det materiale, du allerede har: en skrevet brief, et fast åbningsbillede, to grænsebilleder eller et klip, der skal redigeres eller fortsættes.

Mini har sin egen outputprofil. Producenten angiver 480p- og 720p-video med 8-bit-farve, 24 billeder pr. sekund og MP4-output. De understøttede billedformater er 21:9, 16:9, 4:3, 1:1, 3:4 og 9:16; den dokumenterede genereringsvarighed er 4–15 sekunder. Producentens varighedskontrol tillader også automatisk valg inden for intervallet. Den fulde Seedance 2.0-models muligheder for 1080p og 4K er særskilte; de er ikke Mini-indstillinger. Familiens funktionstabel angiver returnering af det sidste genererede billede, mens Draft-tilstand ikke understøttes.

Omni reference skaber en ny scene ud fra udvalgt information i det leverede materiale. Et billede kan definere et motivs udseende, komposition eller visuelle behandling. En video kan etablere handling, kamerabevægelse eller en effekt; en lydreference kan etablere stemmeklang, melodi eller talt indhold. Fortæl modellen, hvad den skal tage fra hver reference, frem for at bede den kopiere alle egenskaber. Brug for eksempel et produktfoto til form og farve, et kort kamerabevægelsesklip til tilnærmelsen og en lydreference til atmosfæren.

Familiens arbejdsgang tillader op til ni referencebilleder, tre videoklip og tre lydklip. Videoreferencer er hver på 2–15 sekunder og højst 15 sekunder i alt; lydreferencer har de samme grænser pr. klip og samlet. Lyd alene og tekst plus lyd uden visuel reference er ikke understøttede referencekombinationer. Produktion med tekst alene er en særskilt understøttet tilstand. Til en sekvens skal aktiver leveres i den tilsigtede rækkefølge og omtales konsekvent som Image 1, Video 1 eller Audio 1 efter rækkefølgen inden for hver medietype. Erstat ikke en nummereret reference i den skrevne prompt med en aktividentifikator.

Et førstebillede definerer begyndelsen af en billedstyret indstilling. Tilstanden med første og sidste billede definerer begge grænser. Hvis netop disse grænsebilleder er vigtige, skal den dedikerede tilstand vælges frem for at beskrive referencer som begyndelse og afslutning i en omni-reference-prompt. Sidstnævnte er en promptstyret effekt og svarer ikke til et strengt valg af grænsebilleder. Forbered billederne til outputkompositionen, og angiv handlingen, der forbinder start- og slutsituationen.

Videoredigering ændrer et eksisterende klip frem for kun at bruge det som inspiration. Identificer videoen, der skal redigeres, objektet eller området, der skal ændres, dets synlighedstid og placering samt de detaljer, der skal bevares. En nyttig brief er: »I Video 1 skal kruset erstattes med beholderen vist i Image 1; bevar håndbevægelsen, indramningen, lyset og bordopstillingen.« Ved fjernelse skal du navngive det uønskede objekt og de omgivende elementer, der skal blive. Producenten anbefaler direkte henvisning til målvideoen ved redigering eller forlængelse; en formulering som reference kan i stedet formidle en anmodning om en nygenereret scene.

Videoforlængelse tilføjer begivenheder før eller efter et eksisterende klip. Beskriv fortsættelsens retning og det, der sker bagefter eller forinden. Den dokumenterede arbejdsgang kan også forbinde to eller tre klip med genererede overgange; de tre inputvideoer skal tilsammen stadig passe inden for referencebudgettet på 15 sekunder. Vejledningen skelner mellem en fortsættelse, der hovedsageligt omfatter originalklippets grænseoptagelser, og en anmodning, der eksplicit beholder det oprindelige indhold. Angiv den ønskede sammensætning af resultatet: kun fortsættelsen eller en scene, der indeholder det leverede klip og den nye handling.

Til tydelig instruktion skal den stabile scenebeskrivelse adskilles fra begivenhedsforløbet. Definer hvert motiv med to eller tre karakteristiske visuelle træk og en ensartet betegnelse. Beskriv derefter handlinger, omgivelser, lys, kamerabevægelse, visuel stil og begrænsninger. I dialog skal hver replik forbindes med taleren og den relevante handling. Brug ordnede indstillingsbetegnelser frem for at behandle præcise tidsstempler som pålidelige kontroller: producenten bemærker, at præcis timing kan være ustabil. En iscenesat produktbrief kan lyde: »Image 1 definerer Product A. Shot 1: nærm dig langsomt Product A på disken. Shot 2: en hånd drejer det mod lyset. Shot 3: stands på frontetiketten. Blød rumatmosfære; bevar de trykte bogstaver.«

Forbered referencer efter familiens dokumenterede inputregler. Understøttede billedformater omfatter JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC og HEIF; hvert billede er mindre end 30 MB. Vejledningen angiver billedbredde og -højde strengt mellem 300 og 6.000 pixels og et billedformat strengt mellem 0.4 og 2.5. Videoreferencer bruger MP4 eller MOV med H.264- eller H.265-video og AAC- eller MP3-lyd, er højst 200 MB hver og har 24–60 billeder pr. sekund. Deres bredde og højde er 300–6.000 pixels, billedformatet er 0.4–2.5, og det samlede pixelantal er 407.696–8.295.044. Lydreferencer bruger WAV eller MP3 og er højst 15 MB hver. Det er producentens specifikationer til inputforberedelse, adskilt fra en bestemt applikations uploadkontroller.

Producentens portrætarbejdsgang kræver særlig forberedelse til billeder eller videoer med virkelige menneskeansigter: direkte referenceuploads er ikke den almindelige understøttede vej. Den dokumenterer betroede modeloutput, forudindstillede digitale figurer og en autoriseret arbejdsgang for aktiver med virkelige personer som særskilte løsninger. Stemmematchning, udtale og lyden ved en klipgrænse skal også undersøges. Promptvejledningen anbefaler at beskrive de ønskede stemmeegenskaber og holde dialogstilen tæt på lydreferencen. Gennemgå den færdige leverance for motivernes ensartethed, præcise talte ord, handlingstiming, billedovergange og afsluttende lyd; juster det konkrete element, der afviger fra briefen.