ByteDance: Seedance 2.0 Fast

Seedance 2.0 Fast er ByteDance Seeds hastighetsorienterte utgave av Seedance 2.0-familien. Den støtter felles generering av video og lyd og en multimodal beskrivelse bygget av tekst, bilder, video og lyd. De kreative egenskapene omfatter nye referansestyrte scener, redigering av eksisterende opptak og forlengelse av en scene, mens de dokumenterte utdatanivåene er 480p og 720p.

Multimodal referanse: gi materialet roller

Et bilde kan gi en karakter, et produkt, en komposisjon eller en visuell behandling. En referansevideo kan gi handling, kamerabevegelse eller en effekt. Referanselyd kan gi stemmeklang, musikalsk melodi eller dialoginnhold. Forklar hvilken del av hver kilde du vil videreføre i den nye scenen; en referanse er mer nyttig når den har en bestemt kreativ rolle.

For eksempel: «Bruk den keramiske lampen i Image 1 som produkt. Følg den langsomme kamerabanen rundt motivet fra Video 1, men plasser lampen i en rolig lesekrok. Bruk Audio 1 til den musikalske stemningen.» De tiltenkte utdataene er en ny scene som kombinerer valgt utseende, bevegelse og lydretning, fremfor en uspesifisert etterligning av hver detalj i referansene.

De dokumenterte kombinasjonene omfatter bilder med lyd, bilder med video, video med lyd og alle tre sammen. Tekst med bare lyd og inndata med bare lyd støttes ikke. Modellen støtter også tekst-til-video og bildestyrt generering fra et førstebilde eller et par med første- og sistebilde. Når et eksakt endepunkt står sentralt i beskrivelsen, bruker du den dedikerte endepunktarbeidsflyten; å beskrive et referansebilde som et endepunkt i en omni-reference-prompt er indirekte kontroll.

Redigering av en eksisterende video

Modellen kan legge til, fjerne eller endre elementer, erstatte et motiv og tegne om eller reparere deler av en scene. Identifiser kildevideoen, objektet som skal endres og elementene som skal beholdes. Ved tilføyelser beskriver du hvor og når de vises. Ved fjerning identifiserer du objektet konsistent gjennom klippet.

En praktisk redigeringsbeskrivelse kan erstatte en enkel flaske i en demonstrasjon med flasken fra Image 1 og samtidig be om å bevare håndbevegelsen, bakgrunnen og kamerabanen fra Video 1. Gjennomgå både erstatningen og områdene som skal være stabile. Tydelige bevaringsinstruksjoner gjør den tiltenkte redigeringen lettere å evaluere enn en generell forespørsel om å «forbedre» opptaket.

Forlengelse og sammenkobling av klipp

Seedance 2.0 Fast støtter forlengelse fremover eller bakover og sammenkobling av to eller tre klipp med genererte overganger. Til en forlengelse angir du om den nye handlingen skjer før eller etter den oppgitte videoen og beskriver handlingen. Til en sammenkobling gir du klippene i ønsket rekkefølge og forklarer den visuelle hendelsen som forbinder dem.

En enkel forlengelse returnerer vanligvis den nyutviklede videreføringen rundt originalopptaket fremfor å anta at hele kildeklippet gjentas. Hvis utdataene skal inneholde originalsegmentet, sier du det i beskrivelsen. Ved utfylling av en overgang mellom to eller tre videoer kan den dokumenterte arbeidsflyten kombinere originalt og nygenerert innhold. Dette er nyttig for å forbinde en vid produktvisning med et detaljutsnitt gjennom en målrettet kamerabevegelse.

Utdata og forskjeller mellom utgaver

De dokumenterte Fast-utdataene er MP4 ved 24 fps, med 480p eller 720p, 8-bits fargedybde og klipp på 4–15 sekunder. Støttede sideforhold er 21:9, 16:9, 4:3, 1:1, 3:4 og 9:16. Standardutgaven Seedance 2.0 oppgir separat 1080p- og 4K-utdata; disse nivåene er ikke en del av Fast-spesifikasjonen. 2.0-familien støtter retur av siste genererte bilde, men støtter ikke den separate Draft-forhåndsvisningsmodusen.

Lyd kan genereres med opptaket eller utelates for et lydløst klipp. Generert lyd er mono. Dokumenterte promptspråk omfatter engelsk, spansk, indonesisk, portugisisk og japansk. Hold talespråket konsistent i en dialog; veiledningen fraråder språkblanding bortsett fra egennavn. I en talescene navngir du taleren og setter replikken i anførselstegn, og spesifiserer deretter fremføringen og relevante lydeffekter. Tilpass den ønskede fremføringen til valgt klipplengde.

Forbered referanser og følg inndatagrenser

De dokumenterte referansegrensene er opptil ni bilder, tre videoer og tre lydklipp. Direkte referansebilde- eller videoopplastinger med virkelige menneskeansikter godtas ikke i denne dokumenterte produsentprofilen; portrettarbeid bruker den støttede arbeidsflyten for portrettressurser. Hvert video- eller lydklipp må vare 2–15 sekunder; samlet videovarighet er høyst 15 sekunder, og samlet lydvarighet er separat høyst 15 sekunder. Videoreferanser bruker MP4 eller MOV ved 24–60 fps og må ikke overstige 200 MB hver. Lydreferanser bruker WAV eller MP3 og må ikke overstige 15 MB hver. Oppførte bildeformater er JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC og HEIF. Bilder må være mindre enn 30 MB hver; grensen for samlet forespørselskropp er 64 MB. I den dokumenterte referanseinndataprofilen må bildebredde og -høyde hver være strengt mellom 300 og 6 000 piksler, med et bredde–høyde-forhold strengt mellom 0,4 og 2,5. Referansevideoer tillater 300–6 000 piksler i hver dimensjon og sideforhold på 0,4–2,5, inklusive grensene, med 407 696–8 295 044 piksler totalt. MP4- eller MOV-videoer bruker H.264/AVC- eller H.265/HEVC-video og AAC- eller MP3-lyd.

Ordne ressursene og henvis konsistent til dem som Image 1, Video 1 eller Audio 1. Bruk navnet eller et særpreget trekk ved det synlige motivet sammen med ressursnummeret. Tilpass utsnittet i endepunktbildene til ønsket videosideforhold, siden avvik kan beskjære bildet eller gi en brå endring i utsnitt. Hold beskrivelsen fokusert på trekkene som skal overføres, hendelsen som skal genereres og det som skal beholdes; en lang prompt kan spre instruksjonene og etterlate sekundære detaljer uavklarte.

Innstillingsplanlegging, tekst og kjent atferd

Organiser en kompleks beskrivelse som Shot 1, Shot 2 og Shot 3, med tydelig motiv, handling, posisjon og lyd for hver. Veiledningen anbefaler én kamerabevegelse per innstilling og sier at presise tidsstempler per innstilling er ustabile. Gi hver karakter en stabil betegnelse og noen særpregede trekk; bruk et separat tydelig portrett og en helkroppsreferanse fremfor et kombinert ark med karakteren fra flere vinkler når ansiktsidentitet betyr noe.

Modellen kan generere vanlig tekst, inkludert slagord, undertekster og snakkebobler, med instruksjoner om farge, stil, posisjon og hvordan teksten kommer inn. Vanlige tegn foretrekkes fremfor sjeldne tegn eller spesialsymboler. Kontroller bokstavene i bevegelse. Uønskede undertekster, logoer og dupliserte karakterer er dokumentert atferd; eksplisitte begrensninger og rene referanser kan redusere dem, men garanterer ikke fravær. Mer enn fire referansepersoner er rapportert som en stabilitetsrisiko, ikke en hard grense på antall filer.

Gjentatte forlengelser kan forsterke tap av bildekvalitet, og en forlengelsesskjøt kan hoppe eller gå tilbake. Begrens stablede videreføringer og undersøk skjøten i redigeringen. Referert stemmeklang kan endre seg underveis, fortellerlyd kan ende med et klikk, og kinesiske polyfone eller uvanlige tegn kan uttales feil. Kontroller replikken og avsluttende lyd; en kort lydnedtoning kan hjelpe ved et brått kutt. Disse kontrollene er en del av å forberede det kreative resultatet, særlig når tale eller karakterkontinuitet bærer historien.