ByteDance: Seedance 2.0 Fast

Seedance 2.0 Fast es la edición orientada a la velocidad de la familia Seedance 2.0 de ByteDance Seed. Admite generación conjunta de vídeo y audio y un encargo multimodal construido con texto, imágenes, vídeo y sonido. Sus capacidades creativas incluyen escenas nuevas guiadas por referencias, ediciones de material existente y ampliaciones de una escena, mientras que sus niveles de salida documentados son 480p y 720p.

Referencia multimodal: asignar funciones al material

Una imagen puede aportar un personaje, producto, composición o tratamiento visual. Un vídeo de referencia puede aportar acción, movimiento de cámara o un efecto. El audio de referencia puede aportar timbre de voz, melodía musical o contenido de diálogo. Explique qué parte de cada fuente desea trasladar a la escena nueva; una referencia es más útil cuando tiene una función creativa específica.

Por ejemplo: «Utiliza la lámpara de cerámica de Image 1 como producto. Sigue la órbita lenta de cámara de Video 1, pero coloca la lámpara en un rincón de lectura tranquilo. Utiliza Audio 1 para el ambiente musical». La salida prevista es una escena nueva que combina el aspecto, el movimiento y la dirección sonora elegidos, en lugar de una imitación imprecisa de todos los detalles de las referencias.

Las combinaciones documentadas incluyen imágenes con audio, imágenes con vídeo, vídeo con audio y los tres tipos juntos. No se admite texto acompañado solo de audio ni entrada exclusivamente de audio. El modelo también admite conversión de texto a vídeo y generación basada en imagen a partir de un primer fotograma o de una pareja de primer y último fotograma. Cuando un extremo exacto sea central en el encargo, utilice el flujo específico de extremos; describir una imagen de referencia como extremo en una instrucción omni-reference constituye un control indirecto.

Edición de un vídeo existente

El modelo puede añadir, eliminar o modificar elementos, sustituir un sujeto y redibujar o reparar partes de una escena. Identifique el vídeo de origen, el objeto que se va a cambiar y los elementos que deben permanecer. Para una incorporación, describa dónde y cuándo aparece. Para una eliminación, identifique el objeto de forma coherente a lo largo del clip.

Un encargo práctico de edición podría sustituir una botella sencilla de una demostración por la de Image 1 y pedir que se conserven el movimiento de la mano, el fondo y la trayectoria de cámara de Video 1. Revise tanto la sustitución como las zonas que debían mantenerse estables. Las instrucciones claras de conservación facilitan evaluar la edición prevista más que una petición general de «mejorar» el material.

Ampliar y conectar clips

Seedance 2.0 Fast admite ampliación hacia delante o hacia atrás y conexión de dos o tres clips mediante transiciones generadas. Para una ampliación, indique si la nueva acción ocurre antes o después del vídeo proporcionado y descríbala. Para una conexión, proporcione los clips en el orden previsto y explique el acontecimiento visual que los une.

Una ampliación sencilla suele devolver la continuación desarrollada en torno al material original, sin asumir que se repite todo el clip de origen. Si la salida debe contener el segmento original, indíquelo en el encargo. Al completar una transición entre dos o tres vídeos, el flujo documentado puede combinar contenido original y recién generado. Esto resulta útil para conectar una vista amplia del producto con un plano de detalle mediante un movimiento de cámara intencionado.

Salida y diferencias entre ediciones

La salida documentada de Fast es MP4 a 24 fps, con 480p o 720p, profundidad de color de 8 bits y clips de 4–15 segundos. Las relaciones compatibles son 21:9, 16:9, 4:3, 1:1, 3:4 y 9:16. La edición estándar Seedance 2.0 enumera por separado salidas de 1080p y 4K; esos niveles no forman parte de la especificación Fast. La familia 2.0 permite devolver el último fotograma generado, pero no admite el modo independiente de previsualización Draft.

El audio puede generarse junto con el material o excluirse para crear un clip silencioso. El audio generado es mono. Los idiomas documentados de las instrucciones incluyen inglés, español, indonesio, portugués y japonés. Mantenga el idioma hablado constante dentro de un diálogo; la guía desaconseja mezclar idiomas salvo en nombres propios. Para una escena hablada, nombre al hablante y coloque la frase entre comillas; después especifique la interpretación y los efectos sonoros pertinentes. Ajuste la interpretación requerida a la duración del clip seleccionada.

Preparar referencias y respetar los límites de entrada

Los límites documentados de referencia son hasta nueve imágenes, tres vídeos y tres clips de audio. Las cargas directas de imágenes o vídeos de referencia con rostros humanos reales no se aceptan en este perfil documentado del fabricante; el trabajo de retratos utiliza su flujo compatible de recursos de retrato. Cada clip de vídeo o audio debe durar 2–15 segundos; la duración combinada de vídeo es como máximo 15 segundos, y la de audio tiene un máximo independiente de 15 segundos. Las referencias de vídeo utilizan MP4 o MOV, a 24–60 fps, y no deben superar 200 MB cada una. Las de audio utilizan WAV o MP3 y no deben superar 15 MB cada una. Los formatos de imagen enumerados son JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC y HEIF. Cada imagen debe ocupar menos de 30 MB; el límite total del cuerpo de la solicitud es 64 MB. En el perfil documentado de entrada de referencias, el ancho y el alto de las imágenes deben estar estrictamente entre 300 y 6000 píxeles, con una relación ancho/alto estrictamente entre 0.4 y 2.5. Los vídeos de referencia admiten 300–6000 píxeles en cada dimensión y relaciones de 0.4–2.5, ambos extremos incluidos, con 407 696–8 295 044 píxeles en total. Los vídeos MP4 o MOV utilizan vídeo H.264/AVC o H.265/HEVC y audio AAC o MP3.

Ordene los recursos y refiérase a ellos de forma coherente como Image 1, Video 1 o Audio 1. Utilice también el nombre del sujeto visible o un rasgo distintivo, además del número del recurso. Ajuste el encuadre de las imágenes de los extremos a la relación de vídeo prevista, ya que una discrepancia puede recortar la imagen o provocar un cambio brusco de encuadre. Centre el encargo en los rasgos que se van a transferir, el acontecimiento que se debe generar y lo que debe permanecer sin cambios; una instrucción larga puede dispersar las indicaciones y dejar detalles secundarios sin resolver.

Planificación de planos, texto y comportamientos conocidos

Organice un encargo complejo como Plano 1, Plano 2 y Plano 3, con un sujeto, una acción, una posición y un sonido claros para cada uno. La guía recomienda un movimiento de cámara por plano e indica que las marcas de tiempo precisas por plano son inestables. Asigne a cada personaje una etiqueta estable y unos pocos rasgos distintivos; utilice un retrato de cabeza claro y una referencia de cuerpo entero separados, en lugar de una hoja combinada de vistas de personaje, cuando importe la identidad facial.

El modelo puede generar texto común, incluidos eslóganes, subtítulos y bocadillos de diálogo, con indicaciones de color, estilo, posición y aparición. Se prefieren caracteres comunes a caracteres raros o símbolos especiales. Compruebe las letras en movimiento. Los subtítulos no deseados, los logotipos y los personajes duplicados son comportamientos documentados; las restricciones explícitas y las referencias limpias pueden reducirlos, pero no garantizan su ausencia. Más de cuatro personas de referencia se señala como riesgo de estabilidad, no como límite estricto del número de archivos.

Las ampliaciones repetidas pueden acumular pérdida de calidad de imagen, y una unión de ampliación puede presentar saltos o retrocesos. Limite las continuaciones encadenadas y examine la unión durante la edición. El timbre de voz de referencia puede variar, la narración puede terminar con un clic y los caracteres chinos polifónicos o poco comunes pueden pronunciarse mal. Compruebe la frase hablada y el audio final; un fundido de audio breve puede ayudar con un corte. Estas comprobaciones forman parte de la preparación del resultado creativo, especialmente cuando la voz o la continuidad del personaje sostienen la historia.