ByteDance: Seedance 2.5

Seedance 2.5 es el modelo de generación conjunta de audio y video de ByteDance Seed. Amplía Seedance 2.0 con narraciones más largas, referencias multimodales más completas y edición más precisa. Un encargo escrito puede definir una escena, mientras que imágenes, video y audio comunican apariencia, movimiento, lenguaje de cámara y sonido. El resultado es material audiovisual para un concepto cinematográfico, historia de producto, video musical, previsualización o narración breve.

Una escena completa en una generación El fabricante amplía el máximo de generación de una sola pasada de los 15 segundos anteriores a hasta 30 segundos. Esto da espacio para planteamiento, desarrollo y conclusión, con varias tomas conectadas o un movimiento continuo de cámara. Su ejemplo de actuación escénica sigue a un cantante desde un camerino, por un pasillo y hasta el escenario, en vez de mostrar únicamente la llegada. Describe la secuencia de acciones y el recorrido de la cámara en el orden previsto. Para una historia de producto, planea la revelación, demostración y composición de cierre de forma que cada momento aporte algo visible.

Continuación de material existente Seedance 2.5 puede extender un clip hacia adelante o hacia atrás usando personajes, entorno, movimiento y dirección de cámara establecidos como señales de continuidad. Una continuación hacia adelante describe lo que sucede después del momento final; una hacia atrás describe lo que lleva al inicio. Proporciona el material existente y explica la nueva acción, cambio de entorno o movimiento de cámara. Revisa tanto la unión como el segmento nuevo, incluidos apariencia del sujeto, sonido y dirección de movimiento. El lanzamiento del fabricante habla de extensiones repetidas, mientras que su página del modelo describe dos pasos de extensión; la cantidad utilizable depende del flujo concreto, no de una promesa universal de video ilimitado.

Referencias de imagen, video y audio La capacidad de referencias anunciada es de hasta 50 recursos por generación: 30 imágenes, 10 clips de video y 10 de audio. Las imágenes pueden establecer personajes, productos, locaciones, utilería o estilo. Los videos pueden comunicar interpretación, ritmo y movimiento de cámara. El audio puede aportar diálogo, música, ambiente o ritmo. Asigna una función clara a cada recurso: una referencia para el sujeto, otra para el entorno, un video para el movimiento de cámara y un clip de audio para los tiempos. Estos materiales orientan la interpretación; no garantizan reproducir cada detalle exactamente.

Guía con render de arcilla y puesta en escena Una escena 3D sin texturas puede definir distribución espacial, poses, trayectorias y ángulos de cámara antes de dar la apariencia final. El fabricante muestra cómo usar esta estructura de render de arcilla junto con una imagen independiente para diseño de personajes, materiales, color y atmósfera. Sirve para una animación o visualización de ensamblaje cuya puesta en escena importe más que una referencia de estilo general. Indica qué fuente controla la puesta en escena y cuál la apariencia. El modelo también usa señales espaciales para orientar dirección de luz, temperatura de color, intensidad y posición de sombras.

Ediciones con marcas de tiempo y control de cámara Seedance 2.5 permite señalar un intervalo durante la generación y revisar personajes, acciones o elementos narrativos de un clip existente. La edición por marcas de tiempo puede dirigirse tanto al audio como a lo visual; identifica el intervalo y el elemento a revisar. El fabricante muestra sustitución de fondo con pantalla verde, ediciones basadas en referencias y cambios de movimiento de cámara conservando acción y estilo. Un encargo de edición debe identificar clip fuente, intervalo, elemento a cambiar y continuidad que conservar. Por ejemplo, describe un cambio de luz o fondo en un segmento en vez de pedir rediseñar toda la película. Después, revisa los momentos anteriores y posteriores al intervalo y el contenido modificado.

Salida audiovisual y creación multilingüe La especificación del fabricante describe generación de 4–30 segundos a 480p, 720p o 1080p, 24 FPS, con salida MP4 o MOV. Su introducción oficial describe compatibilidad nativa con más de 10 idiomas y creación centrada en diálogo. Son capacidades y opciones de formato del fabricante; no definen un contrato de Ailoot de archivos de entrada, duración o formato de salida. Para trabajo centrado en diálogo, especifica el habla prevista y su relación con la acción; después pide a una persona que domine el idioma revisar redacción y pronunciación antes de usar una versión localizada.

Aplicaciones y límites sustantivos El modelo sirve para conceptos de campaña, exhibiciones de producto, historias con personajes y vistas previas realistas a partir de material de referencia o una puesta en escena 3D sencilla. El fabricante también muestra explicaciones educativas y visualizaciones de fabricación o ensamblaje. El material instructivo o simulado generado requiere revisión frente al proceso real ilustrado. La versión identifica expresamente la física del movimiento complejo y las interacciones estables entre varios sujetos como áreas de mejora. Revisa contacto entre manos y objetos, interacciones grupales, trayectorias, consistencia de personajes y sincronización entre sonido e imagen en todo el clip. Un buen primer fotograma no demuestra que toda la secuencia siga el encargo.