ByteDance: Seedance 2.0 Mini

Seedance 2.0 Mini ist ein separat benanntes Modell in der audiovisuellen Seedance-2.0-Familie von ByteDance. Der Hersteller dokumentiert Text-zu-Video, Bild-zu-Video mit erstem Bild oder erstem und letztem Bild, Generierung mit multimodalen Referenzen, Videobearbeitung und Videoerweiterung. Ton kann gemeinsam mit dem Bild erzeugt werden. Wählen Sie einen Erstellungsmodus anhand des bereits vorhandenen Materials: ein schriftliches Briefing, ein festes Anfangsbild, zwei Grenzbilder oder einen Clip, der Bearbeitung oder Fortsetzung benötigt.

Mini hat ein eigenes Ausgabeprofil. Der Hersteller nennt 480p- und 720p-Video mit 8-Bit-Farbe, 24 Bildern pro Sekunde und MP4-Ausgabe. Seine unterstützten Seitenverhältnisse sind 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16; die dokumentierte Generierungsdauer beträgt 4–15 Sekunden. Die Dauersteuerung des Herstellers erlaubt außerdem automatische Auswahl innerhalb dieses Bereichs. Die 1080p- und 4K-Optionen des vollständigen Seedance-2.0-Modells sind separat und keine Mini-Einstellungen. Die Fähigkeitstabelle der Familie nennt die Rückgabe des letzten erzeugten Bildes; der Draft-Modus wird dagegen nicht unterstützt.

Omni-Referenz erzeugt eine neue Szene anhand ausgewählter Informationen aus dem bereitgestellten Material. Ein Bild kann Aussehen, Komposition oder visuelle Gestaltung eines Motivs definieren. Ein Video kann Handlung, Kamerabewegung oder einen Effekt festlegen; eine Audioreferenz kann Stimmtimbre, Melodie oder gesprochenen Inhalt bestimmen. Sagen Sie dem Modell, was es aus jeder Referenz übernehmen soll, statt jede Eigenschaft kopieren zu lassen. Verwenden Sie beispielsweise ein Produktfoto für Form und Farbe, einen kurzen Kamerabewegungsclip für die Annäherung und eine Klangreferenz für die Atmosphäre.

Der Familienworkflow erlaubt bis zu neun Referenzbilder, drei Videoclips und drei Audioclips. Videoreferenzen sind jeweils 2–15 Sekunden lang und insgesamt höchstens 15 Sekunden; für Audioreferenzen gelten dieselben Grenzen pro Clip und für die Gesamtdauer. Audio allein und Text plus Audio ohne visuelle Referenz sind keine unterstützten Referenzkombinationen. Die Videoerstellung ausschließlich anhand von Text ist ein separater unterstützter Modus. Stellen Sie für eine Abfolge die Dateien in der vorgesehenen Reihenfolge bereit und verweisen Sie konsistent auf sie als Image 1, Video 1 oder Audio 1, entsprechend der Reihenfolge innerhalb des jeweiligen Medientyps. Ersetzen Sie im schriftlichen Prompt eine nummerierte Referenz nicht durch eine Asset-Kennung.

Ein Anfangsbild definiert den Beginn einer bildgestützten Einstellung. Der Modus mit erstem und letztem Bild definiert beide Grenzen. Wenn diese genauen Grenzbilder wichtig sind, wählen Sie den dafür vorgesehenen Modus, statt Referenzen innerhalb eines Omni-Referenz-Prompts als Anfang und Ende zu beschreiben. Letzteres ist ein promptgesteuerter Effekt und entspricht keiner strikten Grenzbildauswahl. Bereiten Sie die Bilder für die Ausgabekomposition vor und benennen Sie die Handlung, die Anfangs- und Endsituation verbindet.

Videobearbeitung verändert einen vorhandenen Clip, statt ihn nur als Inspiration zu verwenden. Benennen Sie das zu bearbeitende Video, das zu ändernde Objekt oder den Bereich, seinen Erscheinungszeitpunkt und seine Position sowie die zu bewahrenden Details. Ein nützliches Briefing lautet: „Ersetze in Video 1 den Becher durch das Gefäß aus Image 1; bewahre Handbewegung, Bildausschnitt, Beleuchtung und Tischanordnung.“ Benennen Sie für eine Entfernung das unerwünschte Objekt und die umgebenden Elemente, die erhalten bleiben müssen. Der Hersteller empfiehlt, für Bearbeitung oder Erweiterung direkt auf das Zielvideo zu verweisen; die Formulierung als Referenz kann stattdessen eine Anfrage nach einer neu erzeugten Szene vermitteln.

Videoerweiterung ergänzt Ereignisse vor oder nach einem vorhandenen Clip. Beschreiben Sie die Fortsetzungsrichtung und was danach oder davor geschieht. Der dokumentierte Workflow kann außerdem zwei oder drei Clips durch erzeugte Übergänge verbinden; die drei Eingabevideos zusammen müssen weiterhin in das Referenzbudget von 15 Sekunden passen. Das Tutorial unterscheidet eine Fortsetzung, die hauptsächlich Material vom Anfang oder Ende des ursprünglichen Clips umfasst, von einer Anfrage, die den ursprünglichen Inhalt ausdrücklich beibehält. Geben Sie die gewünschte Zusammensetzung des Ergebnisses an: nur die Fortsetzung oder eine Szene mit dem bereitgestellten Clip und der neuen Handlung.

Trennen Sie für klare Regie die stabile Szenenbeschreibung von der Ereignisfolge. Definieren Sie jedes Motiv durch zwei oder drei unterscheidbare visuelle Merkmale und eine konsistente Bezeichnung. Beschreiben Sie anschließend Handlungen, Umgebung, Beleuchtung, Kamerabewegung, visuellen Stil und Vorgaben. Ordnen Sie in einem Dialog jede Zeile ihrem Sprecher und der zugehörigen Handlung zu. Verwenden Sie geordnete Einstellungsbezeichnungen, statt genaue Zeitstempel als verlässliche Steuerung zu behandeln: Der Hersteller weist auf mögliche Instabilität präziser Zeitvorgaben hin. Ein gestuftes Produktbriefing könnte lauten: „Image 1 definiert Product A. Shot 1: Nähere dich Product A auf der Arbeitsfläche langsam. Shot 2: Eine Hand dreht es zum Licht. Shot 3: Komme auf dem vorderen Etikett zur Ruhe. Leise Raumgeräusche; bewahre die gedruckte Beschriftung.“

Bereiten Sie Referenzen nach den dokumentierten Eingaberegeln der Familie vor. Zu den unterstützten Bildformaten gehören JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC und HEIF; jedes Bild ist kleiner als 30 MB. Der Leitfaden gibt Bildbreite und -höhe jeweils strikt zwischen 300 und 6.000 Pixeln und ein Seitenverhältnis strikt zwischen 0,4 und 2,5 vor. Videoreferenzen verwenden MP4 oder MOV mit H.264- oder H.265-Video und AAC- oder MP3-Audio, sind jeweils höchstens 200 MB groß und haben 24–60 Bilder pro Sekunde. Ihre Breite und Höhe betragen 300–6.000 Pixel, ihr Seitenverhältnis 0,4–2,5 und ihre Gesamtpixelzahl 407.696–8.295.044. Audioreferenzen verwenden WAV oder MP3 und sind jeweils höchstens 15 MB groß. Dies sind Herstellerspezifikationen zur Eingabevorbereitung, getrennt von den Upload-Steuerelementen einer bestimmten Anwendung.

Der Porträtworkflow des Herstellers verlangt eine bestimmte Vorbereitung für Bilder oder Videos mit echten menschlichen Gesichtern: Direkte Referenzuploads sind nicht der regulär unterstützte Weg. Er dokumentiert vertrauenswürdige Modellausgaben, voreingestellte digitale Figuren und einen autorisierten Workflow für Material realer Personen als separate Lösungen. Stimmenübereinstimmung, Aussprache und der Ton an einer Clipgrenze müssen ebenfalls geprüft werden. Der Promptleitfaden empfiehlt, die gewünschten Stimmmerkmale zu beschreiben und den Dialogstil nahe an der Audioreferenz zu halten. Prüfen Sie das fertige Ergebnis auf Motivkonsistenz, genauen gesprochenen Wortlaut, Handlungstiming, Bildübergänge und abschließendes Audio; verfeinern Sie das konkrete Element, das vom Briefing abweicht.