ByteDance: Seedance 2.0 Fast

Seedance 2.0 Fast adalah edisi keluarga Seedance 2.0 dari ByteDance Seed yang berorientasi pada kecepatan. Model ini mendukung generasi video dan audio bersama serta arahan multimodal yang dibangun dari teks, gambar, video, dan bunyi. Kemampuan kreatifnya mencakup adegan baru berbasis referensi, penyuntingan rekaman yang ada, dan perpanjangan adegan, sedangkan tingkat keluaran yang didokumentasikan adalah 480p serta 720p.

Referensi multimodal: menetapkan peran materi

Gambar dapat memberikan karakter, produk, komposisi, atau perlakuan visual. Video referensi dapat memberikan tindakan, gerak kamera, atau efek. Audio referensi dapat memberikan timbre suara, melodi musik, atau konten dialog. Jelaskan bagian setiap sumber yang ingin dibawa ke adegan baru; referensi lebih berguna ketika memiliki peran kreatif tertentu.

Contohnya: “Gunakan lampu keramik dalam Image 1 sebagai produk. Ikuti orbit kamera lambat dari Video 1, tetapi tempatkan lampu di sudut baca yang tenang. Gunakan Audio 1 untuk suasana musik.” Keluaran yang dimaksud adalah adegan baru yang menggabungkan penampilan, gerak, dan arahan bunyi pilihan, bukan peniruan tanpa kejelasan atas setiap detail referensi.

Kombinasi yang didokumentasikan mencakup gambar dengan audio, gambar dengan video, video dengan audio, dan ketiganya bersama. Teks dengan audio saja serta masukan hanya audio tidak didukung. Model ini juga mendukung teks ke video dan generasi berbasis gambar dari bingkai pertama atau pasangan bingkai pertama dan terakhir. Ketika titik akhir yang persis menjadi inti arahan, gunakan alur kerja titik akhir khusus; menyebut gambar referensi sebagai titik akhir dalam prompt omni-reference merupakan kendali tidak langsung.

Menyunting video yang ada

Model dapat menambahkan, menghapus, atau memodifikasi unsur, mengganti subjek, serta menggambar ulang atau memperbaiki bagian adegan. Identifikasi video sumber, objek yang diubah, dan unsur yang harus tetap ada. Untuk penambahan, jelaskan tempat dan waktu kemunculannya. Untuk penghapusan, identifikasi objek secara konsisten di seluruh klip.

Arahan penyuntingan praktis dapat mengganti botol polos dalam demonstrasi dengan botol dari Image 1, sambil meminta gerakan tangan, latar, dan jalur kamera Video 1 dipertahankan. Tinjau penggantian maupun area yang dimaksudkan tetap stabil. Instruksi pemertahanan yang jelas membuat penyuntingan yang dimaksud lebih mudah dievaluasi dibandingkan permintaan umum untuk “memperbaiki” rekaman.

Memperpanjang dan menghubungkan klip

Seedance 2.0 Fast mendukung perpanjangan ke depan atau belakang dan penghubungan dua atau tiga klip dengan transisi hasil generasi. Untuk perpanjangan, nyatakan apakah tindakan baru terjadi sebelum atau sesudah video yang diberikan dan jelaskan tindakan tersebut. Untuk penghubungan, berikan klip dalam urutan yang dimaksud dan jelaskan peristiwa visual yang menyambungkannya.

Perpanjangan sederhana biasanya mengembalikan kelanjutan baru yang dikembangkan di sekitar rekaman asli, alih-alih menganggap seluruh klip sumber diulang. Jika keluaran harus memuat segmen asli, nyatakan dalam arahan. Ketika mengisi transisi antara dua atau tiga video, alur kerja yang didokumentasikan dapat menggabungkan konten asli dan konten baru hasil generasi. Ini berguna untuk menghubungkan tampilan produk lebar ke shot detail melalui gerak kamera yang memiliki tujuan.

Keluaran dan perbedaan edisi

Keluaran Fast yang didokumentasikan adalah MP4 pada 24 fps, dengan 480p atau 720p, kedalaman warna 8-bit, dan klip 4–15 detik. Rasio yang didukung adalah 21:9, 16:9, 4:3, 1:1, 3:4, dan 9:16. Edisi standar Seedance 2.0 secara terpisah mencantumkan keluaran 1080p dan 4K; tingkat tersebut bukan bagian spesifikasi Fast. Keluarga 2.0 mendukung pengembalian bingkai terakhir yang dihasilkan, tetapi tidak mendukung mode pratinjau Draft terpisah.

Audio dapat dihasilkan bersama rekaman atau dihilangkan untuk klip senyap. Audio hasil generasi bersifat mono. Bahasa prompt yang didokumentasikan mencakup Inggris, Spanyol, Indonesia, Portugis, dan Jepang. Pertahankan konsistensi bahasa lisan dalam dialog; panduan menyarankan menghindari pencampuran bahasa kecuali untuk nama diri. Untuk adegan lisan, sebutkan penutur dan letakkan kalimat dalam tanda kutip, lalu tentukan penyampaian serta efek bunyi terkait. Pastikan penampilan yang diminta sesuai dengan panjang klip pilihan.

Menyiapkan referensi dan mematuhi batas masukan

Batas referensi yang didokumentasikan adalah hingga sembilan gambar, tiga video, dan tiga klip audio. Unggahan langsung gambar atau video referensi yang memuat wajah manusia nyata tidak diterima dalam profil produsen yang didokumentasikan ini; pekerjaan potret menggunakan alur kerja aset potret yang didukung. Setiap klip video atau audio harus berdurasi 2–15 detik; gabungan durasi video paling lama 15 detik, dan gabungan durasi audio secara terpisah paling lama 15 detik. Referensi video menggunakan MP4 atau MOV, pada 24–60 fps, dan masing-masing tidak boleh melebihi 200 MB. Referensi audio menggunakan WAV atau MP3 dan masing-masing tidak boleh melebihi 15 MB. Format gambar yang tercantum adalah JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC, dan HEIF. Setiap gambar harus lebih kecil dari 30 MB; batas total badan permintaan adalah 64 MB. Dalam profil masukan referensi yang didokumentasikan, lebar dan tinggi gambar masing-masing harus secara ketat di antara 300 dan 6.000 piksel, dengan rasio lebar terhadap tinggi secara ketat di antara 0,4 dan 2,5. Video referensi mengizinkan 300–6.000 piksel pada setiap dimensi dan rasio 0,4–2,5, termasuk kedua batas, dengan total 407.696–8.295.044 piksel. Video MP4 atau MOV menggunakan video H.264/AVC atau H.265/HEVC dan audio AAC atau MP3.

Urutkan aset dan rujuk secara konsisten sebagai Image 1, Video 1, atau Audio 1. Gunakan nama atau ciri pembeda subjek yang terlihat selain nomor aset. Cocokkan pembingkaian gambar titik akhir dengan rasio video yang dimaksud, karena ketidakcocokan dapat memangkas gambar atau menghasilkan perubahan pembingkaian yang mengganggu. Fokuskan arahan pada ciri yang ditransfer, peristiwa yang dihasilkan, dan hal yang harus tetap sama; prompt panjang dapat menyebarkan instruksi dan membuat detail sekunder tidak terselesaikan.

Perencanaan shot, teks, dan perilaku yang diketahui

Susun arahan kompleks sebagai Shot 1, Shot 2, dan Shot 3, dengan subjek, tindakan, posisi, serta bunyi yang jelas untuk setiap shot. Panduan menyarankan satu gerak kamera per shot dan menyatakan penanda waktu presisi per shot tidak stabil. Berikan label stabil dan beberapa ciri pembeda pada setiap karakter; gunakan foto kepala yang jelas dan referensi seluruh tubuh terpisah, alih-alih lembar gabungan berbagai sudut karakter ketika identitas wajah penting.

Model dapat menghasilkan teks umum, termasuk slogan, subtitel, dan balon percakapan, dengan arahan warna, gaya, posisi, serta kemunculannya. Karakter umum lebih disukai daripada karakter langka atau simbol khusus. Periksa huruf saat bergerak. Subtitel, logo, dan karakter duplikat yang tidak diinginkan merupakan perilaku yang didokumentasikan; batasan eksplisit dan referensi bersih dapat menguranginya, tetapi tidak menjamin ketiadaannya. Lebih dari empat orang referensi dilaporkan sebagai risiko kestabilan, bukan batas keras jumlah berkas.

Perpanjangan berulang dapat memperparah penurunan kualitas gambar, dan sambungan perpanjangan dapat melompat atau bergerak mundur. Batasi kelanjutan bertumpuk dan periksa sambungan saat menyunting. Timbre suara referensi dapat menyimpang, narasi dapat berakhir dengan bunyi klik, dan karakter Tionghoa berpelafalan ganda atau tidak umum dapat salah dilafalkan. Periksa kalimat lisan dan audio penutup; fade audio singkat dapat membantu jika terpotong. Pemeriksaan ini merupakan bagian persiapan hasil kreatif, khususnya ketika ucapan atau kesinambungan karakter membawa cerita.