ByteDance: Seedance 1.5 Pro

Seedance 1.5 Pro ist das Modell von ByteDance Seed für native gemeinsame Audio-Video-Generierung. Es modelliert visuelle Handlung, gesprochenen Text und Rhythmus zusammen, sodass eine Szene die Darbietung einer Figur, synchronisierten Dialog und eine gestaltete Klanglandschaft enthalten kann. Der zentrale Unterschied zu einem rein visuellen Videobriefing ist, dass Ton Teil der Szenenbeschreibung wird: wer spricht, wie die Zeile vorgetragen wird und was das Publikum rund um die Handlung hört.

Gemeinsame audiovisuelle Generierung

Der dokumentierte Klangumfang umfasst Umgebungsgeräusche, Handlungseffekte, synthetisierte Klänge, Instrumente, Hintergrundmusik und Gesang. Das Modell soll Ton mit dem Geschehen auf dem Bildschirm verbinden: ein Gegenstand trifft auf einen Tisch, eine Tür öffnet sich oder eine Figur spricht. Verwenden Sie dies für einen kurzen dramatischen Moment, eine vertonte Produktwerbung oder eine Szene, deren Stimmung von Darbietung und Ton zugleich abhängt.

Beginnen Sie den Prompt mit Motiv und Bewegung und ergänzen Sie dann Umgebung, Kamera, visuellen Stil und Ton. Eine knappe Szene könnte lauten: «Ein Koch hebt den Deckel von einem kleinen Topf, lächelt und sagt: ‹Das ist fertig.› Eine leichte Dampfwolke entweicht, gefolgt vom leisen Klirren des auf der Arbeitsfläche abgelegten Deckels.» Dies gibt der gesprochenen Zeile und den Effekten eine sichtbare Ursache.

Dialog und Voice-over

Das Modell unterstützt Monologe und Gespräche mit mehreren Sprechern, mit an die Figuren angepassten Lippenbewegungen. Sein Leitfaden dokumentiert Mandarin, chinesische Dialekte einschliesslich Kantonesisch, Shaanxi und Sichuan sowie gesprochenes Englisch, Japanisch, Koreanisch, Spanisch und Indonesisch. Die dokumentierten Promptsprachen sind Chinesisch und Englisch; die Sprache des Prompts und die für eine gesprochene Zeile gewünschte Sprache sind separate Entscheidungen.

Identifizieren Sie jeden Sprecher durch ein konsistentes sichtbares Merkmal und schreiben Sie die Zeilen in Anführungszeichen. Ergänzen Sie Sprechregie wie eine ruhige Stimme, eine zögernde Antwort oder schnelleres Tempo und machen Sie den Sprecherwechsel ausdrücklich. Beschreiben Sie bei zwei Sprechern, wer zuerst spricht und wessen Reaktion die Kamera zeigt. Ein kurzer Austausch, der in den gewählten Clip passt, gibt dem Modell ein klareres Darbietungsziel als eine lange Passage mit unbenannten Sprechern.

Voice-over lässt sich durch Timbre, Emotion, Intonation und Sprechtempo steuern. Es ist nützlich, wenn eine Stimme ein Produkt erklären soll, während die Kamera auf dem Produkt bleibt, oder wenn ein Erzähler ohne Sprecher im Bild die Stimmung setzt. Der Leitfaden beschreibt das Beibehalten eines erkennbaren Timbres bei veränderter Sprechweise; prüfen Sie den tatsächlichen Wortlaut, die Aussprache und Darbietung gemeinsam mit dem Bild.

Klangeffekte und Hintergrundmusik

Beschreiben Sie Effekte als mit der Handlung verbundene Ereignisse: Schritte beim Eintreten einer Figur, stärker werdender Regen vor einem Fenster oder Stoffbewegung beim Anziehen eines Mantels. Hintergrundmusik wird standardmässig passend zum Prompt erzeugt. Geben Sie Stimmung, Stil und Rhythmus an, wenn diese wichtig sind, und wann die Musik im Verhältnis zur Szene beginnen oder ausblenden soll.

Fordern Sie für eine ruhige Demonstration zurückhaltende Musik an und betonen Sie die Geräusche beim Umgang mit dem Produkt. Beschreiben Sie für eine animierte Szene den Handlungsmoment, der mit dem musikalischen Rhythmus zusammenfallen soll. Die erzeugte Tonspur ist mono. Die dokumentierte Audiosteuerung erlaubt ausserdem ein stummes Video, wenn das Projekt eine separat vorbereitete Tonspur benötigt.

Einstellungsübergänge und Kameraregie

Das Modell unterstützt Einstellungswechsel mit konsistenter visueller Gestaltung, Gegenschüsse für Gespräche und Anweisungen zum Übergangstiming. Eine nützliche Dialogfolge kann zwei Sprecher in einer halbnahen Einstellung einführen, zum antwortenden Sprecher schneiden und zur Reaktion des ersten Sprechers zurückkehren. Benennen Sie beim Einstellungswechsel die Identität jeder Person.

Der Leitfaden behandelt hohe, niedrige und Augenhöhenwinkel, Schulterperspektiven und subjektive Blickwinkel sowie weite, halbnahe und nahe Bildausschnitte. Beschreiben Sie eine Kamerabewegung durch Anfangskomposition, Richtung, Bewegungsumfang und Abschlusskomposition. Beispielsweise kann eine langsame Dolly-in-Fahrt auf dem Gesichtsausdruck des Sprechers enden, wenn seine Zeile abgeschlossen ist. Verbinden Sie die Bewegung mit der Geschichte, statt mehrere Kameratechniken ohne Zweck aufzulisten.

Modi, Ausgabe und Vorschau

Die dokumentierten Eingabemodi sind Text-zu-Video, Bild-zu-Video mit erstem Bild und Bild-zu-Video mit erstem und letztem Bild. Ein vorbereitetes Anfangsbild legt die Startkomposition fest; ein Endbild kann den vorgesehenen Endpunkt definieren. Die Ausgabespezifikationen nennen MP4 mit 24 fps, 480p, 720p oder 1080p und Dauereinstellungen von 4–12 Sekunden. Das Modell kann innerhalb seines unterstützten Bereichs ausserdem eine Länge in ganzen Sekunden wählen. Die dokumentierten Seitenverhältnisse sind 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16, mit Unterstützung adaptiver Bildausschnitte.

Der Hersteller dokumentiert einen zweistufigen Draft-Workflow: eine 480p-Vorschau zur Prüfung von Szenenstruktur, Einstellungswahl, Bewegung und Promptabsicht, gefolgt von einer endgültigen Generierung, die die kreativen Eingaben wiederverwendet. So lässt sich eine geplante Darbietung vor der Wahl ihrer endgültigen Auflösung beurteilen. Die Vorschau selbst ist auf 480p begrenzt und unterstützt die Rückgabe des letzten Bildes nicht. Die Draft-Aufgaben-ID des Herstellers bleibt nach der Erstellung sieben Tage gültig; erzeugen Sie das endgültige Video innerhalb dieses Zeitfensters daraus.

Bereiten Sie bei bildgestützter Arbeit das Quellbild auf den vorgesehenen Bildausschnitt vor: Eine Änderung des Ausgabeseitenverhältnisses kann das Bild beschneiden. Ein wiederholter Seed erzeugt ähnliche, nicht garantiert identische Bilder; eine Anweisung für eine feste Kamera garantiert keine perfekte Fixierung. Beurteilen Sie einen Dialogclip vor allem als eine audiovisuelle Darbietung: Richtiger Sprecher, hörbare Zeile, Gesichtsreaktion und Kamerabetonung müssen alle dasselbe Ereignis unterstützen.