ByteDance: Seedance 2.0 Fast

Seedance 2.0 Fast ist die geschwindigkeitsorientierte Modellversion der Seedance-2.0-Familie von ByteDance Seed. Es unterstützt gemeinsame Video- und Audiogenerierung sowie ein multimodales Briefing aus Text, Bildern, Video und Klang. Zu seinen kreativen Fähigkeiten gehören neue referenzgestützte Szenen, Bearbeitungen vorhandenen Materials und Erweiterungen einer Szene; seine dokumentierten Ausgabestufen sind 480p und 720p.

Multimodale Referenz: dem Material Rollen zuweisen

Ein Bild kann eine Figur, ein Produkt, eine Komposition oder visuelle Gestaltung liefern. Ein Referenzvideo kann Handlung, Kamerabewegung oder einen Effekt liefern. Referenzaudio kann Stimmtimbre, musikalische Melodie oder Dialoginhalt liefern. Erklären Sie, welchen Teil jeder Quelle Sie in die neue Szene übernehmen möchten; eine Referenz ist nützlicher, wenn sie eine bestimmte kreative Rolle hat.

Zum Beispiel: „Verwende die Keramiklampe in Image 1 als Produkt. Folge der langsamen Kameraumrundung aus Video 1, platziere die Lampe aber in einer ruhigen Leseecke. Verwende Audio 1 für die musikalische Stimmung.“ Die vorgesehene Ausgabe ist eine neue Szene, die gewähltes Aussehen, Bewegung und Klanggestaltung verbindet, statt jedes Referenzdetail unspezifisch nachzuahmen.

Zu den dokumentierten Kombinationen gehören Bilder mit Audio, Bilder mit Video, Video mit Audio sowie alle drei gemeinsam. Text mit Audio allein und reine Audioeingabe werden nicht unterstützt. Das Modell unterstützt außerdem Text-zu-Video und bildgestützte Generierung mit einem Anfangsbild oder einem Paar aus erstem und letztem Bild. Wenn ein genauer Endpunkt im Mittelpunkt des Briefings steht, verwenden Sie den dafür vorgesehenen Endpunktworkflow; ein Referenzbild in einem Omni-Referenz-Prompt als Endpunkt zu beschreiben, ist indirekte Steuerung.

Ein vorhandenes Video bearbeiten

Das Modell kann Elemente hinzufügen, entfernen oder verändern, ein Motiv ersetzen und Teile einer Szene neu zeichnen oder reparieren. Benennen Sie das Quellvideo, das zu ändernde Objekt und die Elemente, die erhalten bleiben sollen. Beschreiben Sie bei einer Ergänzung, wo und wann sie erscheint. Identifizieren Sie bei einer Entfernung das Objekt im gesamten Clip konsistent.

Ein praktisches Bearbeitungsbriefing könnte eine schlichte Flasche in einer Demonstration durch die Flasche aus Image 1 ersetzen und dabei Handbewegung, Hintergrund und Kamerapfad von Video 1 bewahren lassen. Prüfen Sie sowohl die Ersetzung als auch die Bereiche, die stabil bleiben sollen. Klare Erhaltungsanweisungen machen die vorgesehene Bearbeitung leichter bewertbar als eine allgemeine Aufforderung, das Material zu „verbessern“.

Clips erweitern und verbinden

Seedance 2.0 Fast unterstützt Vorwärts- oder Rückwärtserweiterung und die Verbindung von zwei oder drei Clips durch erzeugte Übergänge. Geben Sie für eine Erweiterung an, ob die neue Handlung vor oder nach dem bereitgestellten Video stattfindet, und beschreiben Sie diese Handlung. Stellen Sie für eine Verbindung die Clips in der vorgesehenen Reihenfolge bereit und erklären Sie das visuelle Ereignis, das sie verbindet.

Eine einfache Erweiterung liefert gewöhnlich die neu entwickelte Fortsetzung rund um das ursprüngliche Material, statt von einer Wiederholung des gesamten Quellclips auszugehen. Wenn die Ausgabe das ursprüngliche Segment enthalten soll, sagen Sie dies im Briefing. Beim Füllen eines Übergangs zwischen zwei oder drei Videos kann der dokumentierte Workflow ursprüngliche und neu erzeugte Inhalte kombinieren. Das ist nützlich, um eine weite Produktansicht durch eine gezielte Kamerabewegung mit einer Detailaufnahme zu verbinden.

Ausgabe und Unterschiede zwischen Modellversionen

Die dokumentierte Fast-Ausgabe ist MP4 mit 24 fps, 480p oder 720p, 8-Bit-Farbtiefe und Clips von 4–15 Sekunden. Unterstützte Seitenverhältnisse sind 21:9, 16:9, 4:3, 1:1, 3:4 und 9:16. Die Standardversion von Seedance 2.0 nennt separat 1080p- und 4K-Ausgabe; diese Stufen gehören nicht zur Fast-Spezifikation. Die 2.0-Familie unterstützt die Rückgabe des letzten erzeugten Bildes, aber nicht den separaten Draft-Vorschaumodus.

Audio kann mit dem Material erzeugt oder für einen stummen Clip weggelassen werden. Erzeugtes Audio ist mono. Zu den dokumentierten Promptsprachen gehören Englisch, Spanisch, Indonesisch, Portugiesisch und Japanisch. Halten Sie die gesprochene Sprache innerhalb eines Dialogs konsistent; der Leitfaden rät mit Ausnahme von Eigennamen vom Mischen von Sprachen ab. Benennen Sie für eine gesprochene Szene den Sprecher und setzen Sie seine Zeile in Anführungszeichen; geben Sie anschließend Sprechweise und zugehörige Klangeffekte an. Stimmen Sie die gewünschte Darbietung auf die gewählte Cliplänge ab.

Referenzen vorbereiten und Eingabegrenzen beachten

Die dokumentierten Referenzgrenzen sind bis zu neun Bilder, drei Videos und drei Audioclips. Direkte Referenzbild- oder Videouploads mit echten menschlichen Gesichtern werden in diesem dokumentierten Herstellerprofil nicht akzeptiert; Porträtarbeit verwendet dessen unterstützten Workflow für Porträtmaterial. Jeder Video- oder Audioclip muss 2–15 Sekunden lang sein; die gesamte Videodauer beträgt höchstens 15 Sekunden, und die gesamte Audiodauer beträgt separat höchstens 15 Sekunden. Videoreferenzen verwenden MP4 oder MOV mit 24–60 fps und dürfen jeweils 200 MB nicht überschreiten. Audioreferenzen verwenden WAV oder MP3 und dürfen jeweils 15 MB nicht überschreiten. Die aufgeführten Bildformate sind JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC und HEIF. Bilder müssen jeweils kleiner als 30 MB sein; die gesamte Anfragegröße ist auf 64 MB begrenzt. Im dokumentierten Referenzeingabeprofil müssen Bildbreite und -höhe jeweils strikt zwischen 300 und 6.000 Pixeln liegen, mit einem Breiten-Höhen-Verhältnis strikt zwischen 0,4 und 2,5. Referenzvideos erlauben 300–6.000 Pixel in jeder Dimension und Seitenverhältnisse von 0,4–2,5 einschließlich der Grenzen, mit insgesamt 407.696–8.295.044 Pixeln. MP4- oder MOV-Videos verwenden H.264/AVC- oder H.265/HEVC-Video und AAC- oder MP3-Audio.

Ordnen Sie die Dateien und verweisen Sie konsistent auf sie als Image 1, Video 1 oder Audio 1. Verwenden Sie neben der Dateinummer den Namen oder ein unterscheidbares Merkmal des sichtbaren Motivs. Stimmen Sie den Bildausschnitt der Endpunktbilder auf das vorgesehene Videoseitenverhältnis ab, da eine Abweichung das Bild beschneiden oder einen störenden Wechsel des Bildausschnitts verursachen kann. Konzentrieren Sie das Briefing auf zu übertragende Merkmale, das zu erzeugende Ereignis und die unverändert zu bewahrenden Elemente; ein langer Prompt kann Anweisungen zerstreuen und Nebendetails ungeklärt lassen.

Einstellungsplanung, Text und bekanntes Verhalten

Gliedern Sie ein komplexes Briefing als Shot 1, Shot 2 und Shot 3 mit klarem Motiv, Handlung, Position und Ton je Einstellung. Der Leitfaden empfiehlt eine Kamerabewegung pro Einstellung und nennt genaue Zeitstempel je Einstellung als instabil. Geben Sie jeder Figur eine stabile Bezeichnung und einige unterscheidbare Merkmale; verwenden Sie bei wichtiger Gesichtsidentität eine separate klare Kopfaufnahme und Ganzkörperreferenz statt eines kombinierten Blatts mit mehreren Figurenansichten.

Das Modell kann gängige Texte wie Slogans, Untertitel und Sprechblasen erzeugen, mit Anweisungen zu Farbe, Stil, Position und Einblendung. Gängige Zeichen werden gegenüber seltenen Zeichen oder Sonderzeichen bevorzugt. Prüfen Sie die Buchstaben in Bewegung. Unerwünschte Untertitel, Logos und doppelte Figuren sind dokumentiertes Verhalten; ausdrückliche Vorgaben und saubere Referenzen können sie reduzieren, garantieren aber nicht ihre Abwesenheit. Mehr als vier Referenzpersonen werden als Stabilitätsrisiko genannt, nicht als harte Grenze für die Dateizahl.

Wiederholte Erweiterungen können Bildqualitätsverluste verstärken; ein Erweiterungsübergang kann springen oder zurückspringen. Begrenzen Sie gestapelte Fortsetzungen und prüfen Sie den Übergang im Schnitt. Das Timbre einer Referenzstimme kann abweichen, eine Sprecheraufnahme kann mit einem Klick enden, und chinesische Zeichen mit mehreren Lesungen oder ungewöhnliche Zeichen können falsch ausgesprochen werden. Prüfen Sie die gesprochene Zeile und das abschließende Audio; eine kurze Audioblende kann bei einem abrupten Abbruch helfen. Diese Prüfungen gehören zur Vorbereitung des kreativen Ergebnisses, insbesondere wenn Sprache oder Figurenkontinuität die Geschichte trägt.