ByteDance: Seedance 2.0 Mini

Seedance 2.0 Mini er en separat navngitt modell i ByteDances audiovisuelle Seedance 2.0-familie. Produsenten dokumenterer tekst-til-video, bilde-til-video med førstebilde eller første- og sistebilde, multimodal referansegenerering, videoredigering og videoforlengelse. Lyd kan genereres sammen med bildet. Velg produksjonsmodus ut fra materialet du allerede har: en skriftlig beskrivelse, et fast åpningsbilde, to grensebilder eller et klipp som trenger redigering eller videreføring.

Mini har sin egen utdataprofil. Produsenten oppgir 480p- og 720p-video med 8-bits farger, 24 bilder per sekund og MP4-utdata. Støttede sideforhold er 21:9, 16:9, 4:3, 1:1, 3:4 og 9:16; dokumentert genereringsvarighet er 4–15 sekunder. Produsentens varighetskontroll tillater også automatisk valg innenfor dette området. Alternativene 1080p og 4K i full Seedance 2.0 er separate; de er ikke Mini-innstillinger. Familiens funksjonstabell oppgir retur av siste genererte bilde, mens Draft-modus ikke støttes.

Omni reference lager en ny scene med utvalgt informasjon fra det oppgitte materialet. Et bilde kan definere motivets utseende, komposisjon eller visuelle behandling. En video kan etablere handling, kamerabevegelse eller en effekt; en lydreferanse kan etablere stemmeklang, melodi eller muntlig innhold. Fortell modellen hva den skal hente fra hver referanse i stedet for å be om kopiering av alle egenskaper. Bruk for eksempel et produktfoto til form og farge, et kort klipp med kamerabevegelse til tilnærmingen og en lydreferanse til atmosfæren.

Familiens arbeidsflyt tillater opptil ni referansebilder, tre videoklipp og tre lydklipp. Videoreferanser varer 2–15 sekunder hver, med høyst 15 sekunder totalt; lydreferanser bruker samme grenser per klipp og totalt. Bare lyd og tekst pluss lyd uten en visuell referanse er ikke støttede referansekombinasjoner. Produksjon med bare tekst er en separat støttet modus. Til en sekvens oppgir du ressurser i ønsket rekkefølge og henviser konsistent til dem som Image 1, Video 1 eller Audio 1, med rekkefølgen innenfor hver medietype. Ikke erstatt en nummerert referanse med en ressursidentifikator i den skriftlige prompten.

Et førstebilde definerer åpningen av en bildestyrt innstilling. Modusen med første- og sistebilde definerer begge grensene. Hvis akkurat disse grensebildene er viktige, velger du den dedikerte modusen i stedet for å beskrive referanser som åpning og avslutning i en omni-reference-prompt. Sistnevnte er en promptstyrt effekt og tilsvarer ikke et strengt grensebildevalg. Forbered bildene til utdatakomposisjonen og angi handlingen som forbinder startsituasjonen og sluttsituasjonen.

Videoredigering endrer et eksisterende klipp i stedet for bare å bruke det som inspirasjon. Identifiser videoen som skal redigeres, objektet eller området som skal endres, når og hvor det vises, og detaljene som skal bevares. En nyttig beskrivelse er: «I Video 1 erstatter du kruset med beholderen vist i Image 1; bevar håndbevegelsen, utsnittet, belysningen og bordoppsettet.» Ved fjerning navngir du det uønskede objektet og de omkringliggende elementene som må beholdes. Produsenten anbefaler å henvise direkte til målvideoen ved redigering eller forlengelse; å omtale den som referanse kan i stedet formidle en forespørsel om en nygenerert scene.

Videoforlengelse legger til hendelser før eller etter et eksisterende klipp. Beskriv retningen på videreføringen og hva som skjer etterpå eller før. Den dokumenterte arbeidsflyten kan også forbinde to eller tre klipp med genererte overganger; de tre inndatavideoene skal fortsatt samlet holde seg innenfor referansebudsjettet på 15 sekunder. Veiledningen skiller en videreføring som hovedsakelig inkluderer originalklippets grenseopptak, fra en forespørsel som uttrykkelig beholder originalinnholdet. Angi ønsket sammensetning av resultatet: bare videreføringen, eller en scene som inneholder det oppgitte klippet og den nye handlingen.

For tydelig regi skiller du den stabile scenebeskrivelsen fra hendelsesforløpet. Definer hvert motiv med to eller tre særpregede visuelle trekk og en konsistent betegnelse. Beskriv deretter handlinger, omgivelser, belysning, kamerabevegelse, visuell stil og begrensninger. Knytt hver replikk til taleren og relevant handling i en dialog. Bruk ordnede innstillingsbetegnelser i stedet for å behandle eksakte tidsstempler som pålitelige kontroller: produsenten påpeker at presis timing kan være ustabil. En iscenesatt produktbeskrivelse kan lyde: «Image 1 definerer Product A. Shot 1: nærm deg Product A på benken langsomt. Shot 2: en hånd dreier det mot lyset. Shot 3: stans ved frontetiketten. Myk romatmosfære; bevar den trykte skriften.»

Forbered referansene etter familiens dokumenterte inndataregler. Støttede bildeformater omfatter JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC og HEIF; hvert bilde er mindre enn 30 MB. Veiledningen spesifiserer bildebredde og -høyde strengt mellom 300 og 6 000 piksler og et sideforhold strengt mellom 0,4 og 2,5. Videoreferanser bruker MP4 eller MOV med H.264- eller H.265-video og AAC- eller MP3-lyd, er høyst 200 MB hver og har 24–60 bilder per sekund. Bredde og høyde er 300–6 000 piksler, sideforholdet er 0,4–2,5, og samlet pikselantall er 407 696–8 295 044. Lydreferanser bruker WAV eller MP3 og er høyst 15 MB hver. Dette er produsentens spesifikasjoner for inndataforberedelse, adskilt fra en bestemt applikasjons opplastingskontroller.

Produsentens portrettarbeidsflyt krever bestemt forberedelse for bilder eller videoer med virkelige menneskeansikter: direkte referanseopplastinger er ikke den støttede standardveien. Den dokumenterer betrodde modellutdata, forhåndsdefinerte digitale karakterer og en autorisert arbeidsflyt for virkelige personressurser som separate løsninger. Stemmelikhet, uttale og lyd ved en klippgrense må også undersøkes. Promptveiledningen anbefaler å beskrive ønskede stemmekjennetegn og holde dialogstilen nær lydreferansen. Gjennomgå sluttresultatet for motivkonsistens, eksakte talte ord, handlingstiming, bildeoverganger og avsluttende lyd; forbedre det bestemte elementet som avviker fra beskrivelsen.