ByteDance: Seedance 2.0

Seedance 2.0 genera vídeo a partir de una escena escrita o de una combinación de referencias de imagen, vídeo y audio. El selector concreto doubao-seedance-2-0-260128 identifica el perfil 2.0 estándar. Sus flujos de trabajo documentados incluyen generación de vídeo nuevo, edición y prolongación de secuencias existentes. Utiliza las referencias para comunicar el aspecto, el movimiento, el lenguaje de cámara y el sonido; después, indica qué partes de la escena deben controlar.

El texto se puede proporcionar solo. Las combinaciones multimodales documentadas también permiten imágenes o vídeo con texto opcional, imágenes con audio, vídeo con audio, e imágenes, vídeo y audio juntos. Por tanto, el audio acompaña a medios visuales en estas combinaciones; no se describe como una solicitud independiente de audio a vídeo. Escribe claramente el resultado previsto incluso cuando el texto sea opcional, para que el rol de cada referencia sea explícito y no deba deducirse de recursos sin relación.

La lista content distingue elementos text, image_url, video_url y audio_url. Las referencias multimodales utilizan roles como reference_image, reference_video y reference_audio. Una imagen puede definir la persona, el objeto, el lugar o el aspecto. Un vídeo puede demostrar una interpretación, un movimiento o una vista de cámara, y el audio puede establecer una pista o el ritmo temporal. Indica esa asignación en las instrucciones: conserva el sujeto de la imagen, sigue la vista de cámara del vídeo y utiliza el audio como fondo. No pidas a cada referencia que defina todas las propiedades a la vez.

El ejemplo publicitario documentado combina dos imágenes de producto con un vídeo y una referencia de audio. Describe una vista inicial, una secuencia de acciones, detalles del producto en primer plano y una composición final, manteniendo coherente la voz de fondo. La misma estructura puede organizar una breve presentación: establece el objeto, demuestra una acción y termina en su característica reconocible. Para una edición, identifica la secuencia de origen y el elemento que debe cambiar; para una prolongación, explica la acción que continúa más allá de la escena existente, conservando el sujeto y la dirección del movimiento.

El perfil 2.0 documenta una duración en segundos enteros de cuatro a quince, o -1 para seleccionar automáticamente una duración dentro de ese intervalo. El valor predeterminado es de cinco segundos. Sus opciones de resolución son 480p y 720p, con 720p por defecto; 1080p queda excluido para 2.0. Las relaciones de aspecto fijas incluyen 16:9, 4:3, 1:1, 3:4, 9:16 y 21:9. La relación de aspecto adaptativa puede elegir el encuadre a partir de las instrucciones o la referencia: el trabajo con fotograma inicial sigue la imagen de apertura, y el trabajo multimodal utiliza la escena prevista o los primeros medios pertinentes, con prioridad del vídeo sobre las imágenes. Comprueba la relación de aspecto y la duración reales en el resultado de la tarea.

El sonido generado se controla por separado de los medios de referencia. generate_audio=true solicita voces, efectos y música de fondo sincronizados a partir del texto y el contenido visual; false solicita un vídeo sin sonido. El valor predeterminado documentado es true y se recomienda poner el diálogo entre comillas. Especifica quién habla y cómo se relaciona el sonido con la acción visible; después, revisa las palabras reales, la asignación de voces y los tiempos. Proporcionar una referencia de audio y activar el sonido generado son decisiones distintas de la solicitud.

La guía de 2.0 excluye los antiguos controles frames y camera_fixed y no admite el procesamiento diferido flex. Utiliza el campo duration y describe el movimiento de cámara en la propia escena. Los controles seed y watermark siguen documentados; la guía indica que la misma solicitud y seed pueden producir resultados similares sin garantizar una identidad exacta. Evita tratar una semilla como prueba de reproducibilidad o una solicitud repetida como un clip ya revisado.

El uso de tokens de vídeo se calcula así: (duración del vídeo de entrada + duración del vídeo de salida) × ancho de salida × alto de salida × frecuencia de fotogramas de salida / 1024. Las solicitudes con vídeo 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 flujo de trabajo es asíncrono: el envío devuelve un identificador de tarea y la tarea completada proporciona content.video_url junto con la duración, la resolución, la relación de aspecto, la frecuencia de fotogramas y el uso de tokens comunicados. Conserva el identificador y guarda el vídeo terminado con las referencias y las instrucciones originales. El campo de caducidad tiene 172800 segundos como valor predeterminado y acepta 3600–259200 segundos desde la creación de la tarea; una tarea que supera el intervalo pasa al estado expired. Revisa toda la salida, incluida la unión de la edición o la continuación, para comprobar el aspecto del personaje, los detalles del objeto, las relaciones espaciales, la continuidad de cámara y la sincronización entre sonido e imagen.