ByteDance: Seedance 2.0

Seedance 2.0 genera video da una scena scritta o da una combinazione di riferimenti immagine, video e audio. Il selettore esatto doubao-seedance-2-0-260128 identifica il profilo 2.0 standard. I flussi di lavoro documentati comprendono generazione di nuovi video, modifica ed estensione di filmati esistenti. Usate i riferimenti per comunicare aspetto, movimento, linguaggio della camera e suono, poi indicate quali parti della scena devono controllare.

Il testo può essere fornito da solo. Le combinazioni multimodali documentate consentono anche immagini o video con testo opzionale, immagini con audio, video con audio e immagini, video e audio insieme. In queste combinazioni elencate, l’audio accompagna quindi contenuti visivi; non è descritto come una richiesta autonoma di generazione video dal solo audio. Scrivete chiaramente il risultato desiderato anche quando il testo è opzionale, affinché il ruolo di ogni riferimento sia esplicito anziché dedotto da materiali non correlati.

L’array content distingue elementi text, image_url, video_url e audio_url. I riferimenti multimodali usano ruoli come reference_image, reference_video e reference_audio. Un’immagine può definire la persona, l’oggetto, il luogo o l’aspetto. Un video può mostrare un’interpretazione, un movimento o una vista della camera e l’audio può stabilire una traccia o la temporizzazione. Indicate l’assegnazione nella richiesta: mantenere il soggetto dell’immagine, seguire la vista della camera del video e usare l’audio come sottofondo. Non chiedete a ogni riferimento di definire tutte le proprietà contemporaneamente.

L’esempio pubblicitario documentato combina due immagini di prodotto con un video e un riferimento audio. Descrive una vista iniziale, una sequenza d’azione, un dettaglio ravvicinato del prodotto e una composizione finale mantenendo coerente la voce di sottofondo. La stessa struttura può organizzare una breve presentazione: introdurre l’oggetto, mostrare un’azione e terminare sulla sua caratteristica riconoscibile. Per una modifica, identificate il filmato di origine e l’elemento da cambiare; per un’estensione, spiegate l’azione che prosegue oltre la scena esistente preservando il soggetto e la direzione del movimento.

Il profilo 2.0 documenta una durata in secondi interi da quattro a quindici oppure -1 per una durata selezionata automaticamente in quell’intervallo. Il valore predefinito è cinque secondi. Le opzioni di risoluzione sono 480p e 720p, con 720p come valore predefinito; 1080p è escluso per 2.0. I rapporti d’aspetto fissi comprendono 16:9, 4:3, 1:1, 3:4, 9:16 e 21:9. Il rapporto adattivo può scegliere l’inquadratura dal prompt o dal riferimento: il lavoro sul primo fotogramma segue l’immagine iniziale e quello multimodale usa la scena desiderata o il primo contenuto multimediale pertinente, dando priorità al video rispetto alle immagini. Verificate nel risultato dell’attività il rapporto e la durata effettivi.

Il suono generato è controllato separatamente dai contenuti multimediali di riferimento. generate_audio=true richiede voci, effetti e musica di sottofondo sincronizzati in base al testo e al contenuto visivo; false richiede un video senza audio. Il valore predefinito documentato è true e per il parlato si raccomanda il dialogo tra virgolette. Specificate chi parla e come il suono si collega all’azione visibile, poi esaminate le parole effettive, l’assegnazione delle voci e i tempi. Fornire un riferimento audio e attivare il suono generato sono scelte separate della richiesta.

La guida di 2.0 esclude i vecchi controlli frames e camera_fixed e non supporta l’elaborazione offline flex. Usate il campo duration e descrivete il movimento della camera nella scena stessa. Seed e filigrana restano controlli documentati; la guida dice che la stessa richiesta e lo stesso seed possono produrre risultati simili senza garantire un’identità esatta. Evitate di trattare un seed come prova di riproducibilità o una richiesta ripetuta come una clip già esaminata.

L’utilizzo di token video si calcola come (durata del video in ingresso + durata del video in uscita) × larghezza dell’uscita × altezza dell’uscita × frequenza dei fotogrammi dell’uscita / 1024. Le richieste contenenti video in ingresso e quelle senza video in ingresso appartengono a categorie di fatturazione distinte. La consultazione dell’attività riporta usage.completion_tokens e usage.total_tokens; conservate queste quantità riportate insieme alla clip completata.

Il flusso di lavoro è asincrono: l’invio restituisce un identificatore dell’attività e l’attività completata fornisce content.video_url insieme a durata, risoluzione, rapporto, frequenza dei fotogrammi e utilizzo di token riportati. Preservate l’identificatore e salvate il video completato con i riferimenti originali e il prompt. Il campo di scadenza ha 172 800 secondi come valore predefinito e accetta 3 600–259 200 secondi dalla creazione dell’attività; un’attività che supera l’intervallo passa allo stato expired. Verificate l’intera uscita, compreso il raccordo della modifica o della continuazione, per aspetto dei personaggi, dettagli degli oggetti, relazioni spaziali, continuità della camera e sincronizzazione tra suono e immagini.