ByteDance: Seedance 2.0 Fast

Το Seedance 2.0 Fast είναι το ξεχωριστά ονομαζόμενο προφίλ Fast, που επιλέγεται με το doubao-seedance-2-0-fast-260128. Υποστηρίζει δημιουργία, επεξεργασία και επέκταση βίντεο χρησιμοποιώντας κείμενο και αναφορές εικόνας, βίντεο και ήχου. Το προφίλ χρησιμεύει όταν οι οδηγίες σκηνής χρειάζονται περισσότερα από μια περιγραφή εμφάνισης: τα υπάρχοντα μέσα μπορούν επίσης να μεταδώσουν την ερμηνεία, την κινηματογραφική προσέγγιση της κάμερας και τον ήχο. Το όνομα Fast διακρίνει την ταυτότητα του αιτήματος· δεν υπόσχεται ότι μια μεμονωμένη ασύγχρονη εργασία ολοκληρώνεται σε καθορισμένο χρόνο.

Ξεκίνα με το στοιχείο που πρέπει να καθορίσει το νέο πλάνο. Το κείμενο μόνο του μπορεί να περιγράψει μια νέα σκηνή. Μια εικόνα μπορεί να καθορίσει χαρακτήρα, προϊόν ή σύνθεση· ένα βίντεο μπορεί να δώσει κίνηση ή μια υπάρχουσα ακολουθία για αναθεώρηση ή συνέχιση. Οι τεκμηριωμένοι συνδυασμοί περιεχομένου περιλαμβάνουν εικόνες με ήχο, βίντεο με ήχο και εικόνες, βίντεο και ήχο μαζί, με προαιρετικό κείμενο δίπλα στα οπτικά μέσα. Αυτοί οι συνδυασμοί δεν περιγράφουν αυτοτελές αίτημα μόνο με ήχο, οπότε συνδύασε τις ηχητικές αναφορές με την οπτική πηγή που πρέπει να καθοδηγήσουν.

Κράτησε ρητούς τους ρόλους αναφοράς στον πίνακα content και στις οδηγίες. Τα στοιχεία image_url, video_url και audio_url μπορούν να φέρουν τους ρόλους reference_image, reference_video και reference_audio. Περιέγραψε ποια εικόνα δίνει το θέμα, ποιο βίντεο δίνει την κάμερα ή τη δράση και ποιος ήχος δίνει την ηχητική επένδυση. Για ένα πλάνο προϊόντος, μια εικόνα θα μπορούσε να καθορίσει τη συσκευασία ενώ ένα βίντεο δείχνει μια κίνηση δίπλα από το αντικείμενο. Προσδιόρισε το επιθυμητό τέλος ώστε η σύντομη ακολουθία να έχει αξιοποιήσιμη τελική όψη, αντί να σταματά στη μέση μιας ενέργειας.

Για επεξεργασία, προσδιόρισε το αρχικό υλικό, την αλλαγή και τη συνέχεια που πρέπει να διατηρηθεί. Μια αλλαγή φόντου ή φωτισμού πρέπει να αφήνει σαφώς καθορισμένα το επιθυμητό θέμα και τη δράση. Για επέκταση, εξήγησε τι γίνεται μετά και πώς συνδέεται η νέα κίνηση με την υπάρχουσα σκηνή. Οι αναφορές καθοδηγούν τη δημιουργία· εξέτασε το πραγματικό σημείο σύνδεσης και όλο το απόσπασμα για την εμφάνιση, την κατεύθυνση κίνησης και τον χρονισμό, αντί να υποθέτεις ότι η συνέχεια διατηρεί κάθε λεπτομέρεια σε επίπεδο καρέ.

Το τεκμηριωμένο εύρος του 2.0 Fast είναι τέσσερα έως δεκαπέντε ακέραια δευτερόλεπτα, με διαθέσιμο το -1 για επιλογή διάρκειας από το μοντέλο μέσα σε αυτό το εύρος. Η προεπιλεγμένη διάρκεια είναι πέντε δευτερόλεπτα. Η ανάλυση εξόδου είναι 480p ή 720p, με προεπιλογή το 720p και αποκλεισμό του 1080p. Διάλεξε ανάμεσα στις σταθερές αναλογίες 16:9, 4:3, 1:1, 3:4, 9:16 και 21:9 ή σε κάδρο adaptive (προσαρμοστικό). Το κάδρο adaptive ακολουθεί τις σχετικές οδηγίες ή το πλαίσιο της αναφοράς· ένα πλάνο με πρώτο καρέ ακολουθεί την αρχική εικόνα του, ενώ το πολυτροπικό κάδρο μπορεί να δώσει προτεραιότητα στο βίντεο έναντι των εικόνων. Διάβασε τα επιστρεφόμενα πεδία της εργασίας για την πραγματική διάρκεια και αναλογία.

Χρησιμοποίησε το generate_audio για να επιλέξεις αν το παραγόμενο βίντεο περιλαμβάνει συγχρονισμένο ήχο. Η τεκμηριωμένη προεπιλογή είναι true· το false ζητά απουσία ήχου. Με ενεργοποιημένο ήχο, το προφίλ δημιουργεί φωνές, εφέ ή μουσική υπόκρουση από τις οδηγίες και το οπτικό περιεχόμενο και ο οδηγός συνιστά να περικλείεις τον διάλογο σε διπλά εισαγωγικά. Δήλωσε τον ομιλητή και την επιθυμητή σχέση ήχου και δράσης. Έλεγξε την ομιλία με κάποιον που κατέχει άπταιστα τη γλώσσα και έλεγξε τον συγχρονισμό του ήχου σε όλο το απόσπασμα, μαζί με κάθε επεξεργασμένο ή εκτεταμένο τμήμα.

Ο οδηγός του 2.0 Fast αποκλείει τους παλαιότερους ελέγχους frames και camera_fixed και δεν υποστηρίζει αναβαλλόμενη επεξεργασία flex. Περιέγραψε τη συμπεριφορά της κάμερας στη σκηνή και χρησιμοποίησε το duration για τη διάρκεια του αποσπάσματος. Οι επιλογές seed και watermark παραμένουν τεκμηριωμένες. Το ίδιο seed δεν εγγυάται πανομοιότυπη έξοδο, οπότε κράτησε το ολοκληρωμένο αρχείο όταν συγκρίνεις αναθεωρήσεις, αντί να βασίζεσαι μόνο στις ρυθμίσεις του αιτήματος.

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 υποβολή επιστρέφει αναγνωριστικό εργασίας πριν γίνει διαθέσιμο το ολοκληρωμένο βίντεο. Παρακολούθησε την κατάσταση επεξεργασίας, μετά ανάκτησε το content.video_url μετά την επιτυχία και κράτησε την αναφερόμενη διάρκεια, ανάλυση, αναλογία, ρυθμό καρέ και χρήση μαζί με το αποτέλεσμα. Το διάστημα λήξης μετριέται από τη δημιουργία της εργασίας, έχει προεπιλογή 172800 δευτερόλεπτα και κυμαίνεται από 3600 έως 259200 δευτερόλεπτα. Αποθήκευσε το τελικό απόσπασμα μαζί με τις αναφορές και τις οδηγίες του και μετά έλεγξε την ταυτότητα του θέματος, την επαφή αντικειμένων, τη συνέχεια στην κίνηση της κάμερας και τον χρονισμό του ήχου σε όλη την ακολουθία.