ByteDance: Seedance 2.0

Seedance 2.0 genererer video ud fra en skriftlig scene eller en kombination af billed-, video- og lydreferencer. Den specifikke selektor doubao-seedance-2-0-260128 identificerer standardprofilen 2.0. De dokumenterede arbejdsgange omfatter ny videogenerering, redigering og forlængelse af eksisterende optagelser. Brug referencer til at formidle udseende, bevægelse, kamerasprog og lyd, og angiv derefter, hvilke dele af scenen de skal styre.

Tekst kan leveres alene. De dokumenterede multimodale kombinationer tillader også billeder eller video med valgfri tekst, billeder med lyd, video med lyd og billeder, video og lyd sammen. Lyd ledsager derfor visuelle medier i disse angivne kombinationer; en selvstændig lyd-til-video-anmodning beskrives ikke. Skriv det tilsigtede resultat tydeligt, også hvor tekst er valgfri, så hver references rolle er eksplicit frem for at skulle udledes af uvedkommende materialer.

Arrayet content skelner mellem elementer af typerne text, image_url, video_url og audio_url. Multimodale referencer bruger roller såsom reference_image, reference_video og reference_audio. Et billede kan definere personen, genstanden, stedet eller udtrykket. En video kan demonstrere en fremførelse, bevægelse eller kameravisning, og lyd kan fastlægge et lydspor eller en timing. Angiv fordelingen i opgavebeskrivelsen: bevar motivet fra billedet, følg videoens kameravisning, og brug lyden som baggrund. Bed ikke hver reference definere alle egenskaber på én gang.

Det dokumenterede reklameeksempel kombinerer to produktbilleder med en video- og en lydreference. Det beskriver et åbningsbillede, en handlingssekvens, en produktdetalje i nærbillede og en slutkomposition med en gennemgående baggrundsstemme. Den samme struktur kan organisere en kort præsentation: etabler genstanden, vis én handling, og slut på dens genkendelige kendetegn. Ved en redigering skal kildeoptagelsen og det element, der skal ændres, angives; ved en forlængelse skal den handling, der fortsætter efter den eksisterende scene, forklares med bevarelse af motiv og bevægelsesretning.

2.0-profilen dokumenterer en varighed i hele sekunder fra fire til femten eller -1 til en automatisk valgt varighed inden for intervallet. Standard er fem sekunder. Opløsningsmulighederne er 480p og 720p med 720p som standard; 1080p er udelukket for 2.0. De faste billedformater omfatter 16:9, 4:3, 1:1, 3:4, 9:16 og 21:9. Forholdet adaptive kan vælge billedindramning ud fra prompten eller referencen: arbejde med et første billede følger åbningsbilledet, og multimodalt arbejde bruger den tilsigtede scene eller det første relevante medie, hvor video har forrang for billeder. Kontroller opgaveresultatet for det faktiske billedformat og den faktiske varighed.

Genereret lyd styres separat fra referencemedier. generate_audio=true anmoder om synkroniserede stemmer, effekter og baggrundsmusik baseret på tekst og visuelt indhold; false anmoder om en video uden lyd. Den dokumenterede standard er true, og dialog i anførselstegn anbefales til tale. Angiv, hvem der taler, og hvordan lyden hænger sammen med den synlige handling, og undersøg derefter den faktiske ordlyd, stemmetildeling og timing. Levering af en lydreference og aktivering af genereret lyd er separate valg i anmodningen.

2.0-vejledningen udelukker de ældre indstillinger frames og camera_fixed og understøtter ikke flex-offlinebehandling. Brug feltet duration, og beskriv kamerabevægelsen i selve scenen. Seed og watermark er fortsat dokumenterede indstillinger; vejledningen angiver, at samme anmodning og seed kan give lignende resultater uden at garantere præcis identitet. Behandl ikke en seed-værdi som bevis på reproducerbarhed eller en gentaget anmodning som et allerede undersøgt klip.

Forbruget af videotokens beregnes som (inputvideoens varighed + outputvideoens varighed) × outputbredde × outputhøjde × outputbilledfrekvens / 1024. Anmodninger med inputvideo og anmodninger uden inputvideo har forskellige faktureringskategorier. Opgaveforespørgslen rapporterer usage.completion_tokens og usage.total_tokens; bevar disse rapporterede mængder sammen med det færdige klip.

Arbejdsgangen er asynkron: indsendelse returnerer en opgaveidentifikator, og den fuldførte opgave leverer content.video_url sammen med rapporteret varighed, opløsning, billedformat, billedfrekvens og tokenforbrug. Bevar identifikatoren, og gem den færdige video med de oprindelige referencer og prompten. Udløbsfeltet har 172.800 sekunder som standard og accepterer 3600–259.200 sekunder fra oprettelsen af opgaven; en opgave, der overskrider intervallet, udløber. Gennemgå hele outputtet, herunder samlingen ved en redigering eller fortsættelse, for karakterudseende, genstandsdetaljer, rumlige relationer, kamerakontinuitet og timingen mellem lyd og billede.