ByteDance: Seedance 2.0 Mini

Seedance 2.0 Mini es un modelo con nombre propio dentro de la familia audiovisual Seedance 2.0 de ByteDance. El fabricante documenta texto a video, imagen a video con primer fotograma o con primero y último, generación con referencias multimodales, edición y extensión de video. El sonido puede generarse junto con la imagen. Elige el modo según el material disponible: un encargo escrito, una imagen inicial fija, dos fotogramas límite o un clip que necesite edición o continuación.

Mini tiene su propio perfil de salida. El fabricante enumera video de 480p y 720p, color de 8 bits, 24 fotogramas por segundo y salida MP4. Las relaciones de aspecto compatibles son 21:9, 16:9, 4:3, 1:1, 3:4 y 9:16; la duración documentada es de 4–15 segundos. El control de duración también permite selección automática dentro de ese intervalo. Las opciones 1080p y 4K del modelo completo Seedance 2.0 son independientes; no son ajustes de Mini. La tabla de capacidades de la familia incluye devolver el último fotograma generado, mientras que el modo Draft no es compatible.

Omni reference crea una escena nueva utilizando información seleccionada del material proporcionado. Una imagen puede definir apariencia del sujeto, composición o tratamiento visual. Un video puede establecer acción, movimiento de cámara o un efecto; una referencia de audio puede definir timbre de voz, melodía o contenido hablado. Indica qué tomar de cada referencia en vez de pedir copiar todas sus propiedades. Por ejemplo, usa una fotografía de producto para forma y color, un clip breve de cámara para el acercamiento y una referencia sonora para la atmósfera.

El flujo de la familia permite hasta nueve imágenes, tres clips de video y tres de audio como referencias. Cada video dura 2–15 segundos, con un total máximo de 15 segundos; el audio tiene los mismos límites por clip y total. No se admiten las combinaciones de audio solo ni texto con audio sin referencia visual. La creación únicamente con texto es otro modo compatible. Para una secuencia, aporta recursos en el orden previsto y menciónalos de forma consistente como Image 1, Video 1 o Audio 1, siguiendo el orden dentro de cada tipo de medio. No sustituyas una referencia numerada por un identificador de recurso en la instrucción escrita.

Una imagen de primer fotograma define el inicio de una toma basada en imagen. El modo de primer y último fotograma define ambos límites. Si importan esas imágenes exactas, selecciona ese modo específico en vez de describir referencias como inicio y final dentro de una instrucción omni-reference. Esto último es un efecto dirigido por instrucciones y no equivale a elegir fotogramas límite estrictos. Prepara las imágenes para la composición de salida e indica la acción que conecta las situaciones inicial y final.

La edición de video modifica un clip existente en lugar de usarlo solo como inspiración. Identifica el video, el objeto o región a cambiar, su momento y posición de aparición y los detalles que conservar. Una instrucción útil es: «En Video 1, reemplaza la taza por el recipiente de Image 1; conserva el movimiento de la mano, el encuadre, la iluminación y la distribución de la mesa». Para eliminar algo, nombra el objeto no deseado y los elementos cercanos que deben permanecer. El fabricante aconseja referirse directamente al video objetivo al editar o extender; llamarlo referencia puede comunicar una solicitud de escena nueva.

La extensión añade eventos antes o después de un clip. Describe la dirección de continuación y lo que ocurre después o antes. El flujo documentado también puede conectar dos o tres clips con transiciones generadas; los tres videos de entrada juntos siguen sujetos al límite de referencia de 15 segundos. El tutorial distingue una continuación que incluye principalmente material de los límites del original de una solicitud que conserva expresamente el contenido original. Indica la composición deseada: solo la continuación o una escena que contenga el clip aportado y la nueva acción.

Para dirigir con claridad, separa la descripción estable de la escena de la secuencia de eventos. Define cada sujeto con dos o tres rasgos visuales distintivos y una etiqueta consistente. Después describe acciones, entorno, luz, movimiento de cámara, estilo y restricciones. En diálogo, vincula cada línea con su hablante y acción pertinente. Usa etiquetas de toma ordenadas en vez de tratar marcas de tiempo exactas como controles fiables: el fabricante señala que los tiempos precisos pueden ser inestables. Un encargo de producto por etapas podría decir: «Image 1 define el Producto A. Toma 1: acércate lentamente al Producto A sobre el mostrador. Toma 2: una mano lo gira hacia la luz. Toma 3: termina sobre la etiqueta frontal. Ambiente suave de habitación; conserva las letras impresas».

Prepara las referencias según las reglas de entrada documentadas de la familia. Los formatos de imagen incluyen JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC y HEIF; cada imagen pesa menos de 30 MB. La guía exige ancho y alto estrictamente entre 300 y 6,000 píxeles y relación de aspecto estrictamente entre 0.4 y 2.5. Los videos usan MP4 o MOV con video H.264 o H.265 y audio AAC o MP3, pesan como máximo 200 MB cada uno y tienen 24–60 fotogramas por segundo. Su ancho y alto son de 300–6,000 píxeles, la relación de aspecto de 0.4–2.5 y el número total de píxeles de 407,696–8,295,044. El audio usa WAV o MP3 y pesa como máximo 15 MB por clip. Son especificaciones de preparación del fabricante, distintas de los controles de carga de una aplicación concreta.

El flujo de retratos del fabricante requiere preparación específica para imágenes o videos con rostros humanos reales: las cargas directas como referencia no son la vía estándar compatible. Documenta por separado salidas de modelos confiables, personajes digitales predefinidos y un flujo autorizado de recursos de personas reales. También hay que revisar coincidencia de voz, pronunciación y sonido en los límites de clip. La guía recomienda describir las características de voz deseadas y mantener el estilo del diálogo cercano a la referencia de audio. Revisa consistencia del sujeto, palabras exactas, tiempos de acción, transiciones y audio final del recurso; ajusta el elemento concreto que difiera del encargo.