ByteDance: Seedance 2.0

Το Seedance 2.0 δημιουργεί βίντεο από γραπτή σκηνή ή από συνδυασμό αναφορών εικόνας, βίντεο και ήχου. Το συγκεκριμένο αναγνωριστικό επιλογής doubao-seedance-2-0-260128 προσδιορίζει το βασικό προφίλ 2.0. Οι τεκμηριωμένες ροές του περιλαμβάνουν δημιουργία νέου βίντεο, επεξεργασία και επέκταση υπάρχοντος υλικού. Χρησιμοποίησε αναφορές για να μεταδώσεις την εμφάνιση, την κίνηση, την κινηματογραφική προσέγγιση της κάμερας και τον ήχο και μετά δήλωσε ποια μέρη της σκηνής πρέπει να ελέγχουν.

Το κείμενο μπορεί να παρέχεται μόνο του. Οι τεκμηριωμένοι πολυτροπικοί συνδυασμοί επιτρέπουν επίσης εικόνες ή βίντεο με προαιρετικό κείμενο, εικόνες με ήχο, βίντεο με ήχο και εικόνες, βίντεο και ήχο μαζί. Επομένως, ο ήχος συνοδεύει οπτικά μέσα σε αυτούς τους συνδυασμούς· δεν περιγράφεται ως αυτοτελές αίτημα δημιουργίας βίντεο μόνο από ήχο. Γράψε καθαρά το επιθυμητό αποτέλεσμα ακόμη και όπου το κείμενο είναι προαιρετικό, ώστε ο ρόλος κάθε αναφοράς να είναι ρητός και να μη χρειάζεται να συναχθεί από άσχετα αρχεία.

Ο πίνακας content διακρίνει στοιχεία text, image_url, video_url και audio_url. Οι πολυτροπικές αναφορές χρησιμοποιούν ρόλους όπως reference_image, reference_video και reference_audio. Μια εικόνα μπορεί να καθορίσει το πρόσωπο, το αντικείμενο, την τοποθεσία ή την εμφάνιση. Ένα βίντεο μπορεί να δείξει μια ερμηνεία, κίνηση ή οπτική γωνία της κάμερας και ο ήχος μπορεί να καθορίσει ένα ηχητικό κομμάτι ή τον χρονισμό. Δήλωσε την αντιστοίχιση στις οδηγίες: κράτησε το θέμα από την εικόνα, ακολούθησε την οπτική γωνία του βίντεο και χρησιμοποίησε τον ήχο ως υπόκρουση. Μη ζητάς από κάθε αναφορά να καθορίσει όλα τα χαρακτηριστικά ταυτόχρονα.

Το τεκμηριωμένο διαφημιστικό παράδειγμα συνδυάζει δύο εικόνες προϊόντος με ένα βίντεο και μια ηχητική αναφορά. Περιγράφει μια αρχική όψη, μια ακολουθία δράσεων, κοντινή λεπτομέρεια προϊόντος και μια τελική σύνθεση, κρατώντας συνεπή τη φωνή στο παρασκήνιο. Η ίδια δομή μπορεί να οργανώσει μια σύντομη παρουσίαση: δείξε το αντικείμενο, παρουσίασε μία ενέργεια και ολοκλήρωσε στο αναγνωρίσιμο χαρακτηριστικό του. Για επεξεργασία, προσδιόρισε το αρχικό υλικό και το στοιχείο που πρέπει να αλλάξει· για επέκταση, εξήγησε τη δράση που συνεχίζεται πέρα από την υπάρχουσα σκηνή, διατηρώντας το θέμα και την κατεύθυνση κίνησης.

Η τεκμηρίωση του προφίλ 2.0 αναφέρει διάρκεια σε ακέραια δευτερόλεπτα από τέσσερα έως δεκαπέντε ή -1 για αυτόματη επιλογή διάρκειας μέσα σε αυτό το εύρος. Η προεπιλογή είναι πέντε δευτερόλεπτα. Οι επιλογές ανάλυσης είναι 480p και 720p, με προεπιλογή το 720p· το 1080p αποκλείεται για το 2.0. Οι σταθερές αναλογίες διαστάσεων περιλαμβάνουν 16:9, 4:3, 1:1, 3:4, 9:16 και 21:9. Η αναλογία adaptive (προσαρμοστική) μπορεί να επιλέξει κάδρο από τις οδηγίες ή την αναφορά: η εργασία με πρώτο καρέ ακολουθεί την αρχική εικόνα και η πολυτροπική εργασία χρησιμοποιεί την επιθυμητή σκηνή ή τα πρώτα σχετικά μέσα, με προτεραιότητα του βίντεο έναντι των εικόνων. Έλεγξε το αποτέλεσμα της εργασίας για την πραγματική αναλογία και διάρκεια.

Ο παραγόμενος ήχος ελέγχεται ξεχωριστά από τα μέσα αναφοράς. Το generate_audio=true ζητά συγχρονισμένες φωνές, εφέ και μουσική υπόκρουση βάσει του κειμένου και του οπτικού περιεχομένου· το false ζητά βίντεο χωρίς ήχο. Η τεκμηριωμένη προεπιλογή είναι true και για την ομιλία συνιστάται διάλογος σε εισαγωγικά. Προσδιόρισε ποιος μιλά και πώς συνδέεται ο ήχος με την ορατή δράση και μετά εξέτασε την πραγματική διατύπωση, την αντιστοίχιση φωνών και τον χρονισμό. Η παροχή ηχητικής αναφοράς και η ενεργοποίηση παραγόμενου ήχου είναι διακριτές επιλογές του αιτήματος.

Ο οδηγός του 2.0 αποκλείει τους παλαιότερους ελέγχους frames και camera_fixed και δεν υποστηρίζει αναβαλλόμενη επεξεργασία flex. Χρησιμοποίησε το πεδίο duration και περιέγραψε την κίνηση της κάμερας μέσα στη σκηνή. Τα seed και watermark παραμένουν τεκμηριωμένοι έλεγχοι· ο οδηγός αναφέρει ότι το ίδιο αίτημα και seed μπορούν να δώσουν παρόμοια αποτελέσματα χωρίς εγγύηση απόλυτης ταύτισης. Απόφυγε να αντιμετωπίζεις το seed ως απόδειξη αναπαραγωγιμότητας ή ένα επαναλαμβανόμενο αίτημα ως ήδη ελεγμένο απόσπασμα.

Η χρήση token βίντεο υπολογίζεται ως (διάρκεια βίντεο εισόδου + διάρκεια βίντεο εξόδου) × πλάτος εξόδου × ύψος εξόδου × ρυθμός καρέ εξόδου / 1024. Τα αιτήματα που περιέχουν βίντεο εισόδου και όσα δεν περιέχουν έχουν διακριτές κατηγορίες χρέωσης. Το ερώτημα για την εργασία αναφέρει usage.completion_tokens και usage.total_tokens· κράτησε αυτές τις αναφερόμενες ποσότητες μαζί με το ολοκληρωμένο απόσπασμα.

Η ροή είναι ασύγχρονη: η υποβολή επιστρέφει αναγνωριστικό εργασίας και η ολοκληρωμένη εργασία παρέχει το content.video_url μαζί με την αναφερόμενη διάρκεια, ανάλυση, αναλογία, ρυθμό καρέ και χρήση token. Διατήρησε το αναγνωριστικό και αποθήκευσε το ολοκληρωμένο βίντεο με τις αρχικές αναφορές και οδηγίες. Το πεδίο λήξης έχει προεπιλογή 172800 δευτερόλεπτα και δέχεται 3600–259200 δευτερόλεπτα από τη δημιουργία της εργασίας· μια εργασία που υπερβαίνει το διάστημα γίνεται expired. Έλεγξε ολόκληρη την έξοδο, μαζί με το σημείο σύνδεσης της επεξεργασίας ή της συνέχειας, για την εμφάνιση των χαρακτήρων, τις λεπτομέρειες των αντικειμένων, τις χωρικές σχέσεις, τη συνέχεια στην κίνηση της κάμερας και τον χρονισμό ήχου και εικόνας.