ByteDance: Seedance 2.0 Mini

Seedance 2.0 Mini to osobno nazwany model w audiowizualnej rodzinie Seedance 2.0 ByteDance. Producent dokumentuje text-to-video, image-to-video z pierwszej klatki oraz pierwszej i ostatniej klatki, generację z referencjami multimodalnymi, edycję i rozszerzanie wideo. Dźwięk może być generowany razem z obrazem. Wybierz tryb tworzenia zgodnie z posiadanym materiałem: pisemnym briefem, ustalonym obrazem otwierającym, dwiema klatkami granicznymi lub klipem wymagającym edycji albo kontynuacji.

Mini ma własny profil wyjściowy. Producent wymienia wideo 480p i 720p z 8-bitowym kolorem, 24 klatkami na sekundę i wyjściem MP4. Obsługiwane proporcje to 21:9, 16:9, 4:3, 1:1, 3:4 i 9:16; udokumentowana długość generacji wynosi 4–15 sekund. Parametr czasu producenta pozwala też na automatyczny wybór w tym zakresie. Opcje 1080p i 4K pełnego Seedance 2.0 są odrębne; nie są ustawieniami Mini. Tabela możliwości rodziny wymienia zwracanie ostatniej wygenerowanej klatki, natomiast tryb Draft jest nieobsługiwany.

Omni reference tworzy nową scenę z wybranych informacji dostarczonego materiału. Obraz może definiować wygląd obiektu, kompozycję lub opracowanie wizualne. Wideo może określać działanie, ruch kamery lub efekt, a referencja audio — barwę głosu, melodię lub treść wypowiedzi. Powiedz modelowi, co ma przejąć z każdej referencji, zamiast prosić o skopiowanie wszystkich właściwości. Na przykład użyj fotografii produktu dla kształtu i koloru, krótkiego klipu ruchu kamery dla zbliżenia i referencji dźwięku dla atmosfery.

Proces rodziny pozwala wykorzystać do dziewięciu obrazów referencyjnych, trzech klipów wideo i trzech klipów audio. Referencje wideo trwają po 2–15 sekund, łącznie nie więcej niż 15 sekund; referencje audio mają takie same limity pojedynczego klipu i łącznego czasu. Samo audio oraz tekst z audio bez referencji wizualnej nie są obsługiwanymi kombinacjami. Tworzenie wyłącznie z tekstu jest osobnym obsługiwanym trybem. W sekwencji dostarczaj materiały w zamierzonej kolejności i odwołuj się do nich spójnie jako Image 1, Video 1 lub Audio 1, zgodnie z kolejnością w ramach każdego typu. Nie zastępuj numerowanej referencji identyfikatorem materiału w pisemnym prompcie.

Obraz pierwszej klatki określa otwarcie ujęcia opartego na obrazie. Tryb pierwszej i ostatniej klatki definiuje obie granice. Jeśli dokładnie te obrazy graniczne mają znaczenie, wybierz dedykowany tryb zamiast opisywać referencje jako początek i koniec w prompcie omni-reference. To drugie jest efektem kierowanym promptem i nie jest równoważne ścisłemu wyborowi klatek granicznych. Przygotuj obrazy do kompozycji wyjściowej i określ działanie łączące sytuację początkową z końcową.

Edycja wideo zmienia istniejący klip, zamiast korzystać z niego tylko jako inspiracji. Wskaż wideo do edycji, obiekt lub obszar do zmiany, czas i miejsce jego pojawienia się oraz szczegóły do zachowania. Użyteczny brief brzmi: „W Video 1 zastąp kubek naczyniem pokazanym w Image 1; zachowaj ruch dłoni, kadrowanie, światło i układ stołu”. Przy usuwaniu nazwij niepożądany obiekt i otaczające elementy, które muszą pozostać. Producent zaleca bezpośrednie odniesienie do docelowego wideo przy edycji lub rozszerzeniu; nazwanie go referencją może zamiast tego przekazać prośbę o nowo wygenerowaną scenę.

Rozszerzenie wideo dodaje zdarzenia przed lub po istniejącym klipie. Opisz kierunek kontynuacji i to, co dzieje się później lub wcześniej. Udokumentowany proces może też połączyć dwa lub trzy klipy generowanymi przejściami; trzy filmy wejściowe nadal muszą mieścić się łącznie w 15-sekundowym budżecie referencji. Samouczek rozróżnia kontynuację obejmującą głównie graniczne fragmenty oryginalnego klipu od żądania jawnie zachowującego pierwotną treść. Określ pożądaną kompozycję wyniku: tylko kontynuację albo scenę zawierającą dostarczony klip i nową akcję.

Dla jasnej reżyserii oddziel stały opis sceny od sekwencji zdarzeń. Zdefiniuj każdy podmiot przez dwie lub trzy wyróżniające cechy wizualne i stałą etykietę. Następnie opisz działania, scenerię, światło, ruch kamery, styl wizualny i ograniczenia. W dialogu powiąż każdą kwestię z mówcą i właściwym działaniem. Stosuj uporządkowane etykiety ujęć, zamiast traktować dokładne znaczniki czasu jako niezawodne parametry: producent zaznacza, że precyzyjny czas może być niestabilny. Etapowy brief produktowy może brzmieć: „Image 1 definiuje Produkt A. Ujęcie 1: powoli zbliżaj się do Produktu A na blacie. Ujęcie 2: dłoń obraca go ku światłu. Ujęcie 3: zatrzymaj się na przedniej etykiecie. Subtelne dźwięki otoczenia w pomieszczeniu; zachowaj drukowane litery”.

Przygotuj referencje według udokumentowanych reguł wejścia rodziny. Obsługiwane formaty obrazów to JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC i HEIF; każdy obraz jest mniejszy niż 30 MB. Przewodnik określa szerokość i wysokość obrazu ściśle między 300 a 6000 pikseli oraz proporcje ściśle między 0.4 a 2.5. Referencje wideo używają MP4 lub MOV z obrazem H.264 albo H.265 i audio AAC albo MP3, mają najwyżej po 200 MB i 24–60 klatek na sekundę. Ich szerokość i wysokość wynoszą 300–6000 pikseli, proporcje 0.4–2.5, a całkowita liczba pikseli 407 696–8 295 044. Referencje audio używają WAV lub MP3 i mają najwyżej po 15 MB. Są to specyfikacje przygotowania wejścia producenta, odrębne od kontrolek przesyłania plików konkretnej aplikacji.

Proces portretowy producenta wymaga szczególnego przygotowania obrazów lub filmów z twarzami rzeczywistych ludzi: bezpośrednie przesyłanie referencji nie jest standardową obsługiwaną ścieżką. Dokumentuje zaufane wyniki modeli, gotowe postacie cyfrowe i autoryzowany proces zasobów rzeczywistej osoby jako osobne rozwiązania. Dopasowanie głosu, wymowa i dźwięk na granicy klipu również wymagają kontroli. Przewodnik promptowania zaleca opisywanie zamierzonych cech głosu i utrzymywanie stylu dialogu blisko referencji audio. Oceń końcowy materiał pod kątem spójności podmiotów, dokładnych wypowiedzianych słów, czasu działań, przejść klatek i końcowego audio; popraw konkretny element różniący się od briefu.