ByteDance: Seedance 2.0 Fast

Seedance 2.0 Fast es el perfil Fast con nombre propio, seleccionado con doubao-seedance-2-0-fast-260128. Admite generación, edición y prolongación de video con referencias de texto, imágenes, video y audio. El perfil es útil cuando las instrucciones de la escena necesitan algo más que una descripción del aspecto: los medios existentes también pueden comunicar la interpretación, el lenguaje de cámara y el sonido. El nombre Fast distingue la identidad de la solicitud; no promete que una tarea asíncrona concreta termine en un tiempo fijo.

Empieza por el elemento que deba definir el plano nuevo. El texto por sí solo puede describir una escena nueva. Una imagen puede establecer un personaje, un producto o una composición; un video puede aportar movimiento o una secuencia existente para revisar o continuar. Las combinaciones de contenido documentadas incluyen imágenes con audio, video con audio e imágenes, video y audio juntos, con texto opcional junto con los medios visuales. Estas combinaciones no describen una solicitud independiente de solo audio, así que acompaña las referencias de sonido con la fuente visual que deban guiar.

Mantén explícitos los roles de referencia en la lista content y en las instrucciones. Los elementos image_url, video_url y audio_url pueden llevar los roles reference_image, reference_video y reference_audio. Describe qué imagen proporciona el sujeto, qué video proporciona la cámara o la acción y qué audio proporciona la banda sonora. Para un plano de producto, una imagen podría definir el envase y un video ilustrar un movimiento junto al objeto. Especifica el final deseado para que la secuencia breve tenga una vista final útil en lugar de detenerse a mitad de una acción.

Para editar, identifica la secuencia de origen, el cambio y la continuidad que se debe conservar. Un cambio de fondo o de iluminación debe dejar claramente especificados el sujeto y la acción previstos. Para prolongar, explica qué ocurre después y cómo se conecta el nuevo movimiento con la escena existente. Las referencias guían la generación; revisa la unión real y el clip completo para comprobar el aspecto, la dirección de movimiento y los tiempos, en lugar de asumir que la continuación conserva cada detalle de cada fotograma.

El intervalo documentado de 2.0 Fast es de cuatro a quince segundos enteros, con -1 disponible para una duración elegida por el modelo dentro de ese intervalo. La duración predeterminada es de cinco segundos. La resolución de salida es 480p o 720p, con 720p por defecto y 1080p excluido. Elige entre los formatos fijos 16:9, 4:3, 1:1, 3:4, 9:16 y 21:9, o un encuadre adaptativo. El encuadre adaptativo sigue las instrucciones o el contexto de referencia pertinentes; un plano con fotograma inicial sigue su imagen de apertura, mientras que el encuadre multimodal puede dar prioridad al video sobre las imágenes. Consulta los campos devueltos por la tarea para conocer la duración y la relación de aspecto reales.

Utiliza generate_audio para elegir si el video generado incluye sonido sincronizado. El valor predeterminado documentado es true; false solicita silencio. Con el audio activado, el perfil genera voces, efectos o música de fondo a partir de las instrucciones y el contenido visual, y la guía recomienda escribir el diálogo entre comillas dobles. Indica el hablante y la relación prevista entre sonido y acción. Revisa el habla con alguien que domine el idioma y comprueba la alineación del sonido en todo el clip, incluido cualquier segmento editado o prolongado.

La guía de 2.0 Fast excluye los antiguos controles frames y camera_fixed y no admite el procesamiento diferido flex. Describe el comportamiento de la cámara en la escena y utiliza duration para la duración del clip. Las opciones seed y watermark siguen documentadas. La misma semilla no garantiza una salida idéntica, así que conserva el resultado terminado al comparar revisiones en lugar de depender solo de los ajustes de la solicitud.

El uso de tokens de video se calcula así: (duración del video de entrada + duración del video de salida) × ancho de salida × alto de salida × frecuencia de fotogramas de salida / 1024. Las solicitudes con video de entrada y las que no lo incluyen tienen categorías de facturación distintas. La consulta de la tarea comunica usage.completion_tokens y usage.total_tokens; conserva estas cantidades comunicadas junto con el clip terminado.

El envío devuelve un identificador de tarea antes de que esté disponible el video terminado. Sigue el estado de procesamiento, recupera content.video_url tras completarse con éxito y conserva con el resultado la duración, la resolución, la relación de aspecto, la frecuencia de fotogramas y el uso comunicados. El intervalo de caducidad se mide desde la creación de la tarea, tiene 172800 segundos como valor predeterminado y va de 3600 a 259200 segundos. Guarda el clip final con sus referencias e instrucciones y comprueba la identidad del sujeto, el contacto entre objetos, la continuidad de cámara y la sincronización del sonido a lo largo de toda la secuencia.