ByteDance: Seedance 2.0

Seedance 2.0 génère une vidéo à partir d’une scène écrite ou d’une combinaison de références image, vidéo et audio. Le sélecteur exact doubao-seedance-2-0-260128 identifie le profil 2.0 standard. Ses processus documentés comprennent la génération de nouvelles vidéos, la modification et le prolongement de séquences existantes. Utilisez des références pour communiquer l’apparence, le mouvement, le langage de caméra et le son, puis indiquez les parties de la scène qu’elles doivent contrôler.

Le texte peut être fourni seul. Les combinaisons multimodales documentées acceptent aussi des images ou une vidéo avec du texte facultatif, des images avec de l’audio, une vidéo avec de l’audio, et des images, une vidéo et de l’audio ensemble. L’audio accompagne donc des médias visuels dans ces combinaisons répertoriées ; il n’est pas décrit comme une requête audio-vers-vidéo autonome. Décrivez clairement le résultat voulu même lorsque le texte est facultatif, afin que le rôle de chaque référence soit explicite plutôt que déduit de ressources sans lien.

Le tableau content distingue les éléments text, image_url, video_url et audio_url. Les références multimodales utilisent des rôles tels que reference_image, reference_video et reference_audio. Une image peut définir la personne, l’objet, le lieu ou le style visuel. Une vidéo peut montrer une interprétation, un mouvement ou une vue de caméra, et l’audio peut établir une piste ou un rythme temporel. Indiquez cette répartition dans le brief : gardez le sujet de l’image, suivez la vue de caméra de la vidéo et utilisez l’audio comme fond sonore. Ne demandez pas à chaque référence de définir toutes les propriétés à la fois.

L’exemple publicitaire documenté combine deux images de produit avec une vidéo et une référence audio. Il décrit une vue initiale, une séquence d’action, un détail rapproché du produit et une composition finale, tout en gardant la voix de fond cohérente. La même structure peut organiser une courte présentation : introduire l’objet, montrer une action et terminer sur sa caractéristique reconnaissable. Pour une modification, identifiez la séquence source et l’élément à changer ; pour un prolongement, expliquez l’action qui continue au-delà de la scène existante en préservant le sujet et la direction du mouvement.

Le profil 2.0 documente une durée en secondes entières de quatre à quinze, ou -1 pour une durée choisie automatiquement dans cette plage. La valeur par défaut est de cinq secondes. Ses options de résolution sont 480p et 720p, avec 720p par défaut ; 1080p est exclu pour 2.0. Les rapports d’aspect fixes comprennent 16:9, 4:3, 1:1, 3:4, 9:16 et 21:9. Le rapport d’aspect adaptatif peut choisir le cadrage à partir du prompt ou de la référence : un travail à partir d’une première image suit l’image initiale, et un travail multimodal utilise la scène voulue ou le premier média pertinent, la vidéo ayant priorité sur les images. Vérifiez le rapport d’aspect et la durée réels dans le résultat de la tâche.

Le son généré est réglé séparément des médias de référence. generate_audio=true demande des voix, des effets et une musique de fond synchronisés à partir du texte et du contenu visuel ; false demande une vidéo sans son. La valeur par défaut documentée est true, et les dialogues entre guillemets sont recommandés pour la parole. Précisez qui parle et comment le son se rapporte à l’action visible, puis vérifiez les paroles réelles, l’attribution des voix et leur placement dans le temps. Fournir une référence audio et activer le son généré sont des choix de requête distincts.

Le guide 2.0 exclut les anciens réglages frames et camera_fixed et ne prend pas en charge le traitement hors ligne flex. Utilisez le champ duration et décrivez le mouvement de caméra dans la scène elle-même. La graine aléatoire et le filigrane restent des réglages documentés ; le guide indique que la même requête et la même graine peuvent produire des résultats similaires sans garantir une identité exacte. Ne considérez pas une graine comme une preuve de reproductibilité, ni une requête répétée comme un clip déjà vérifié.

L’utilisation en tokens vidéo est calculée ainsi : (durée de la vidéo d’entrée + durée de la vidéo de sortie) × largeur de sortie × hauteur de sortie × cadence de sortie / 1024. Les requêtes contenant une vidéo d’entrée et celles sans vidéo d’entrée relèvent de catégories de facturation distinctes. La consultation de tâche rapporte usage.completion_tokens et usage.total_tokens ; conservez ces quantités rapportées avec le clip achevé.

Le processus est asynchrone : la soumission renvoie un identifiant de tâche, et la tâche achevée fournit content.video_url avec la durée, la résolution, le rapport d’aspect, la cadence et l’utilisation en tokens rapportés. Conservez l’identifiant et enregistrez la vidéo achevée avec les références et le prompt d’origine. Le champ d’expiration vaut 172 800 secondes par défaut et accepte de 3 600 à 259 200 secondes depuis la création de la tâche ; une tâche qui dépasse ce délai expire. Vérifiez toute la sortie, y compris la jonction de modification ou de prolongement, pour l’apparence des personnages, les détails des objets, les relations spatiales, la continuité de caméra et la synchronisation entre son et image.