ByteDance: Seedance 2.0

Seedance 2.0 genererer video fra en skriftlig scene eller en kombinasjon av bilde-, video- og lydreferanser. Den nøyaktige velgeren doubao-seedance-2-0-260128 identifiserer standardprofilen for 2.0. De dokumenterte arbeidsflytene omfatter generering av ny video, redigering og forlengelse av eksisterende opptak. Bruk referanser til å formidle utseende, bevegelse, kameraføring og lyd, og angi deretter hvilke deler av scenen de skal styre.

Tekst kan oppgis alene. De dokumenterte multimodale kombinasjonene tillater også bilder eller video med valgfri tekst, bilder med lyd, video med lyd samt bilder, video og lyd sammen. Lyd følger dermed visuelle medier i disse oppførte kombinasjonene; en separat forespørsel om video fra bare lyd er ikke beskrevet. Skriv ønsket resultat tydelig også der tekst er valgfri, slik at rollen til hver referanse er uttrykkelig angitt og ikke må utledes fra usammenhengende materiale.

content-arrayet skiller mellom elementene text, image_url, video_url og audio_url. Multimodale referanser bruker roller som reference_image, reference_video og reference_audio. Et bilde kan definere personen, gjenstanden, stedet eller uttrykket. En video kan demonstrere en fremføring, bevegelse eller kameravinkel, og lyd kan fastsette et lydspor eller en tidsplassering. Angi rollefordelingen i beskrivelsen: behold motivet fra bildet, følg kameravinkelen i videoen og bruk lyden som bakgrunn. Ikke be hver referanse om å definere alle egenskapene samtidig.

Det dokumenterte reklameeksemplet kombinerer to produktbilder med en video- og en lydreferanse. Det beskriver et åpningsbilde, en handlingssekvens, produktdetaljer i nærbilde og en sluttkomposisjon, samtidig som bakgrunnsstemmen holdes konsekvent. Den samme strukturen kan organisere en kort presentasjon: etabler gjenstanden, demonstrer én handling og avslutt med dens gjenkjennelige egenskap. For en redigering angir du kildeopptaket og elementet som skal endres; for en forlengelse forklarer du handlingen som fortsetter utover den eksisterende scenen, samtidig som motivet og bevegelsesretningen bevares.

2.0-profilen dokumenterer varighet i hele sekunder fra fire til femten, eller -1 for en automatisk valgt varighet innenfor dette intervallet. Standard er fem sekunder. Oppløsningsvalgene er 480p og 720p, med 720p som standard; 1080p er utelukket for 2.0. Faste sideforhold inkluderer 16:9, 4:3, 1:1, 3:4, 9:16 og 21:9. Tilpasset sideforhold kan velge bildeformat ut fra ledeteksten eller referansen: arbeid med første bilde følger åpningsbildet, og multimodalt arbeid bruker ønsket scene eller det første relevante mediet, med video prioritert foran bilder. Kontroller oppgaveresultatet for faktisk sideforhold og varighet.

Generert lyd styres separat fra referansemediene. generate_audio=true ber om synkroniserte stemmer, effekter og bakgrunnsmusikk basert på teksten og det visuelle innholdet; false ber om en video uten lyd. Dokumentert standard er true, og dialog i anførselstegn anbefales for tale. Angi hvem som snakker og hvordan lyden henger sammen med den synlige handlingen, og undersøk deretter faktisk ordlyd, stemmetildeling og tidsplassering. Å oppgi en lydreferanse og å slå på generert lyd er to forskjellige valg i forespørselen.

2.0-veiledningen utelukker de eldre innstillingene frames og camera_fixed og støtter ikke frakoblet flex-behandling. Bruk feltet duration og beskriv kamerabevegelsen i selve scenen. seed og watermark er fortsatt dokumenterte innstillinger; veiledningen sier at samme forespørsel og seed kan gi lignende resultater uten å garantere nøyaktig samsvar. Unngå å behandle en seed-verdi som bevis på reproduserbarhet eller en gjentatt forespørsel som et allerede undersøkt klipp.

Forbruket av videotokens beregnes som (inndatavideoens varighet + utdatavideoens varighet) × utdatabredde × utdatahøyde × utdatabildefrekvens / 1024. Forespørsler med inndatavideo og forespørsler uten inndatavideo har egne faktureringskategorier. Oppgavespørringen rapporterer usage.completion_tokens og usage.total_tokens; behold disse rapporterte mengdene sammen med det ferdige klippet.

Arbeidsflyten er asynkron: innsending returnerer en oppgave-ID, og den fullførte oppgaven gir content.video_url sammen med rapportert varighet, oppløsning, sideforhold, bildefrekvens og tokenforbruk. Behold ID-en og lagre den ferdige videoen med de opprinnelige referansene og ledeteksten. Utløpsfeltet har 172800 sekunder som standard og godtar 3600–259200 sekunder fra oppgaven opprettes; en oppgave som overskrider intervallet, utløper. Vurder hele resultatet, inkludert overgangen ved redigering eller videreføring, for figurenes utseende, gjenstandsdetaljer, romlige forhold, kamerakontinuitet og synkronisering mellom lyd og bilde.