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. Su fabricante documenta conversión de texto a vídeo, de imagen a vídeo con primer fotograma o con primer y último fotograma, generación con referencias multimodales, edición de vídeo y ampliación de vídeo. El sonido puede generarse junto con la imagen. Elija el modo de creación según el material del que ya disponga: un encargo escrito, una imagen inicial fija, dos fotogramas de los extremos o un clip que necesite edición o continuación.

Mini tiene su propio perfil de salida. El fabricante enumera vídeo de 480p y 720p con color de 8 bits, 24 fotogramas por segundo y salida MP4. Sus relaciones de aspecto compatibles son 21:9, 16:9, 4:3, 1:1, 3:4 y 9:16; la duración documentada de generación es de 4–15 segundos. El control de duración del fabricante también permite la selección automática dentro de ese intervalo. Las opciones de 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 suministrado. Una imagen puede definir el aspecto de un sujeto, la composición o el tratamiento visual. Un vídeo puede establecer una acción, un movimiento de cámara o un efecto; una referencia de audio puede establecer un timbre de voz, una melodía o contenido hablado. Indique al modelo qué debe tomar de cada referencia, en lugar de pedirle que copie todas sus propiedades. Por ejemplo, utilice una fotografía de producto para la forma y el color, un clip breve de movimiento de cámara para el acercamiento y una referencia sonora para la atmósfera.

El flujo de la familia permite hasta nueve imágenes de referencia, tres clips de vídeo y tres clips de audio. Las referencias de vídeo duran 2–15 segundos cada una, sin superar los 15 segundos en total; las de audio utilizan los mismos límites por clip y de duración total. El audio solo y el texto más audio sin referencia visual no son combinaciones de referencia compatibles. La creación solo con texto es un modo independiente compatible. Para una secuencia, proporcione los recursos en el orden previsto y refiérase a ellos de forma coherente como Image 1, Video 1 o Audio 1, siguiendo el orden dentro de cada tipo de medio. No sustituya una referencia numerada por un identificador de recurso en el texto de la instrucción.

Una imagen de primer fotograma define el comienzo de un plano basado en imagen. El modo de primer y último fotograma define ambos extremos. Si esas imágenes exactas de los extremos son importantes, seleccione ese modo específico, en lugar de describir las referencias como inicio y final dentro de una instrucción omni-reference. Lo segundo es un efecto guiado por instrucciones y no equivale a seleccionar estrictamente fotogramas de los extremos. Prepare las imágenes para la composición de salida e indique la acción que conecta las situaciones inicial y final.

La edición de vídeo modifica un clip existente, en lugar de utilizarlo solo como inspiración. Identifique el vídeo que se debe editar, el objeto o la zona que se va a cambiar, el momento y la posición en que aparece y los detalles que deben conservarse. Un encargo útil es: «En Video 1, sustituye la taza por el recipiente mostrado en Image 1; conserva el movimiento de la mano, el encuadre, la iluminación y la disposición de la mesa». Para eliminar algo, nombre el objeto no deseado y los elementos circundantes que deben permanecer. El fabricante aconseja referirse directamente al vídeo objetivo para editarlo o ampliarlo; describirlo como referencia puede comunicar, en cambio, una petición de escena nueva generada.

La ampliación de vídeo añade acontecimientos antes o después de un clip existente. Describa la dirección de la continuación y lo que ocurre después o antes. El flujo documentado también puede conectar dos o tres clips con transiciones generadas; los tres vídeos de entrada juntos siguen ajustándose al límite de referencia de 15 segundos. El tutorial distingue una continuación que incluye principalmente el material de los extremos del clip original de una petición que conserva explícitamente el contenido original. Indique la composición deseada del resultado: solo la continuación o una escena que contenga el clip proporcionado y la nueva acción.

Para dar indicaciones claras, separe la descripción estable de la escena de la secuencia de acontecimientos. Defina cada sujeto con dos o tres rasgos visuales distintivos y una etiqueta coherente. Después describa las acciones, el escenario, la iluminación, el movimiento de cámara, el estilo visual y las restricciones. En un diálogo, asocie cada frase con su hablante y la acción correspondiente. Utilice etiquetas de plano ordenadas, en lugar de tratar las marcas de tiempo exactas como controles fiables: el fabricante señala que la sincronización precisa puede ser inestable. Un encargo de producto por planos podría ser: «Image 1 define el Producto A. Plano 1: acércate lentamente al Producto A sobre la encimera. Plano 2: una mano lo gira hacia la luz. Plano 3: detente sobre la etiqueta frontal. Ambiente suave de habitación; conserva las letras impresas».

Prepare las referencias según las reglas documentadas de entrada de la familia. Los formatos de imagen compatibles incluyen JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC y HEIF; cada imagen debe ocupar menos de 30 MB. La guía especifica ancho y alto de imagen estrictamente entre 300 y 6000 píxeles y relación de aspecto estrictamente entre 0.4 y 2.5. Las referencias de vídeo utilizan MP4 o MOV con vídeo H.264 o H.265 y audio AAC o MP3, ocupan como máximo 200 MB cada una y tienen 24–60 fotogramas por segundo. Su ancho y alto son de 300–6000 píxeles, su relación de aspecto de 0.4–2.5 y su número total de píxeles de 407 696–8 295 044. Las referencias de audio utilizan WAV o MP3 y ocupan como máximo 15 MB cada una. Son especificaciones de preparación de entradas del fabricante, distintas de los controles de carga de una aplicación concreta.

El flujo de retratos del fabricante exige una preparación específica para imágenes o vídeos que contengan rostros humanos reales: la carga directa de referencias no es la vía estándar compatible. Documenta como soluciones independientes las salidas fiables de modelos, los personajes digitales predefinidos y un flujo autorizado de recursos de personas reales. También se deben revisar la correspondencia de voz, la pronunciación y el sonido en los extremos del clip. La guía de instrucciones recomienda describir las características de voz deseadas y mantener el estilo de diálogo próximo a la referencia de audio. Revise el resultado final para comprobar la coherencia del sujeto, las palabras habladas exactas, la sincronización de acciones, las transiciones entre fotogramas y el audio de cierre; ajuste el elemento concreto que se aparte del encargo.