ByteDance: Seedance 1.0 Lite Text-to-Video

Seedance 1.0 Lite Text-to-Video generuje wideo na podstawie opisu sceny. Dokładny selektor doubao-seedance-1-0-lite-t2v-250428 oznacza wariant tekst-do-wideo edycji Lite. Użyj go, gdy obiekt, otoczenie i ruch można opisać bezpośrednio: produkt na blacie, ogólny widok miejsca lub krótkie działanie postaci. Wyjściem jest klip wideo; profil 1.0 nie generuje zsynchronizowanego dźwięku.

Opisz scenę w kolejności, w jakiej powinien ją zobaczyć widz. Określ obiekt i jego wygląd, miejsce, działanie, wielkość planu oraz ruch kamery, a następnie opisz końcową kompozycję. Przydatny opis produktu może przedstawiać butelkę na jasnym kamiennym postumencie, światło słoneczne przesuwające się po etykiecie i powolny najazd na nakrętkę. Są to instrukcje tworzenia nowej sceny, a nie stwierdzenie, że model odtwarza dostarczoną fotografię produktu. Dopasuj widoczne działanie do wybranej długości klipu.

Ten selektor tekst-do-wideo jest odrębny od osobno nazwanego selektora Lite obraz-do-wideo. Treść przekazuje się jako element tekstowy w tablicy content. Zdanie może opisywać osobę, przedmiot lub styl, ale nie dołącza obrazu referencyjnego ani nie ustala dokładnej tożsamości wizualnej na podstawie niewidzianego pliku. Dla sceny, której kompozycja otwierająca musi pochodzić z istniejącego obrazu, wybierz profil obsługujący obrazy zamiast zakładać, że tożsamość Lite t2v zmieni tryb po dodaniu pola z mediami.

Udokumentowany zakres długości dla 1.0 wynosi od dwóch do dwunastu sekund, z domyślną wartością pięciu sekund i stałą liczbą klatek 24 fps. Lite oferuje poziomy rozdzielczości 480p, 720p i 1080p, przy czym udokumentowaną wartością domyślną jest 720p. Stałe proporcje obejmują 16:9, 4:3, 1:1, 3:4, 9:16 i 21:9. Wybierz kadr dla miejsca docelowego przed generowaniem: pionowy do prezentacji pionowej, kwadratowy do kompaktowego panelu produktowego lub poziomy do szerokiej sceny. Poziomy rozdzielczości i proporcje opisują żądane wyjście; sprawdź pobrany klip pod kątem rzeczywistych wymiarów w pikselach i kadrowania.

Żądanie udostępnia ustawienia ziarna losowego, znaku wodnego i kamery. Ziarno jest liczbą całkowitą od -1 do 2^32-1, przy czym -1 wybiera losowość. Żądanie nieruchomej kamery dodaje odpowiednią instrukcję, a dokumentacja wyraźnie wskazuje, że efekt nie jest gwarantowany. Zachowaj zgodność kierunku pracy kamery między opisem sceny a osobnym ustawieniem. Instrukcje parametrów umieszczone w tekście mają pierwszeństwo przed osobnymi parametrami opcjonalnymi, więc unikaj sprzecznych instrukcji dotyczących długości, rozdzielczości lub kadrowania w obu miejscach.

Zużycie jest mierzone w tokenach wideo: szerokość wyjściowa × wysokość wyjściowa × liczba klatek na sekundę × długość wyjściowego klipu / 1024. Zakończone zadanie raportuje tę wielkość jako usage.completion_tokens. Zachowaj zgłoszone zużycie razem z gotowym klipem i żądanymi ustawieniami.

Generowanie jest asynchroniczne. Wysłanie żądania zwraca identyfikator zadania, a zapytanie o zadanie dostarcza stan przetwarzania i, po sukcesie, adres wideo w content.video_url. Zachowaj identyfikator, gdy zadanie ma stan queued lub running, i zapisz ukończony klip do kolejnej poprawki. Udokumentowany okres przechowywania wygenerowanych plików wynosi siedem dni. Żądanie ma również okres ważności liczony od utworzenia zadania, po którym niedokończone zadanie otrzymuje stan expired; udokumentowana wartość domyślna to 172800 sekund, z zakresem od 3600 do 259200 sekund.

Sprawdź cały klip względem opisu: czy pojawia się zamierzony obiekt, działanie następuje we właściwej kolejności, kamera podąża w żądanym kierunku, a ostatnia klatka nadaje się do wykorzystania. W kolejnej wersji zmień konkretną instrukcję, zachowując udaną strukturę sceny. Dla serii ujęć zachowaj każdy prompt, żądane ustawienia i ukończone wideo, aby kolejną scenę można było zaplanować na podstawie rzeczywistego wyniku.