ByteDance: Seedance 2.5

Seedance 2.5 crea video utilizando una escena escrita y referencias multimodales. El selector concreto doubao-seedance-2-5-260628 tiene su propia operación y su propio ejemplo documentados. Esa operación describe generación, edición y prolongación de video, con imágenes, video, audio y texto como medios de entrada. Utiliza las referencias para comunicar el aspecto del sujeto, la acción, el movimiento de cámara, el estilo y el sonido; después, explica el resultado que quieres crear a partir de ellas.

Las combinaciones de entrada incluyen solo texto, imágenes o video con texto opcional, imágenes con audio, video con audio e imágenes, video y audio juntos. Las combinaciones enumeradas adjuntan audio a medios visuales, en lugar de describir una solicitud de solo audio. Organiza cada elemento según su rol: una imagen establece un sujeto o un aspecto, un video demuestra un movimiento o una escena existente, y el audio proporciona una referencia sonora. Indica qué rol importa para el plano solicitado, de modo que una referencia de fondo no se confunda con el personaje principal.

El ejemplo específico de 2.5 es una secuencia publicitaria de producto. Proporciona una imagen y varias referencias de video; después, describe un centro de atención inicial, disposiciones ordenadas de productos, planos de detalle, una acción a cámara lenta y una composición final de marca. La solicitud asigna los roles reference_image y reference_video y utiliza referencias individuales para la composición, el movimiento, el trabajo de cámara y el impacto. Esto ofrece una estructura práctica para un concepto de campaña: planifica los momentos visibles, identifica la referencia de cada momento y especifica la disposición final.

Una secuencia escrita puede distinguir lo que ocurre de cómo se filma. Describe primero la acción del producto; después, el tamaño del plano, el recorrido de cámara, el ritmo y la transición a la vista siguiente. Si una referencia define el producto y otra demuestra un movimiento de cámara, indica esas responsabilidades por separado. Para una escena con varios objetos, explica sus posiciones y el orden de las interacciones. Revisa el resultado generado para comprobar la forma real del producto, la disposición y el movimiento, en lugar de asumir que cada detalle de las referencias aparece sin cambios.

Para una edición, identifica el video existente y el elemento que se debe revisar, como el entorno, una acción o el estilo visual, indicando a la vez la continuidad que se debe conservar. Para una prolongación, describe cómo debe continuar la escena a partir de la secuencia proporcionada. Revisa la unión además del segmento nuevo: el aspecto del sujeto, la dirección de movimiento, la posición de cámara y los tiempos del sonido influyen en que el resultado se perciba como una sola escena. Conserva juntos el video original y la revisión terminada para comprobar el cambio frente a la continuidad prevista.

El ejemplo multimodal documentado de 2.5 establece generate_audio=true y solicita una secuencia de quince segundos con encuadre 16:9. Esos valores describen ese ejemplo, no un límite máximo universal de duración ni un límite de recursos de referencia. Da a la escena solicitada una intención sonora clara, incluida la relación entre música, efectos y acción visible; después, evalúa la salida audiovisual real. La referencia de sonido y la banda sonora generada deben revisarse juntas para comprobar el ritmo y la interpretación previstos.

Elige duración, encuadre y resolución entre los ajustes ofrecidos para este perfil concreto. Conserva la configuración solicitada junto con las instrucciones y compárala con los campos reales devueltos por la tarea. Utiliza la duración, la resolución y la relación de aspecto devueltas al preparar el clip terminado para su destino. Conserva el identificador exacto del perfil en el registro de revisión para que una comparación posterior utilice la misma edición seleccionada.

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.

La generación es asíncrona. El envío devuelve un identificador y el flujo de tareas configurado proporciona el estado y, tras completarse con éxito, content.video_url. Guarda el clip terminado junto con los medios de origen y las instrucciones de la secuencia. Revisa todos los momentos planificados, las interacciones entre objetos, el aspecto de los personajes, el encuadre y la alineación del sonido a lo largo de todo el resultado. Para una revisión, identifica el detalle concreto que no se logró y conserva las partes de la escena que funcionaron, en lugar de sustituir todas las instrucciones por otras sin relación.