ByteDance: Seedance 2.0 Mini

O Seedance 2.0 Mini é um modelo com designação própria na família audiovisual Seedance 2.0 da ByteDance. O fabricante documenta texto para vídeo, imagem para vídeo com primeiro fotograma ou com primeiro e último fotogramas, geração com referências multimodais, edição de vídeo e prolongamento de vídeo. O som pode ser gerado em conjunto com a imagem. Escolha o modo de criação conforme o material que já tem: um pedido escrito, uma imagem inicial fixa, dois fotogramas de limite ou um clip que precisa de edição ou continuação.

O Mini tem o seu próprio perfil de saída. O fabricante indica vídeo de 480p e 720p, com cor de 8 bits, 24 fotogramas por segundo e saída MP4. As proporções suportadas são 21:9, 16:9, 4:3, 1:1, 3:4 e 9:16; a duração de geração documentada é de 4–15 segundos. O controlo de duração do fabricante também permite seleção automática dentro desse intervalo. As opções de 1080p e 4K do modelo Seedance 2.0 completo são separadas; não são definições do Mini. A tabela de capacidades da família enumera a devolução do último fotograma gerado, enquanto o modo Draft não é suportado.

A referência omni cria uma cena nova usando informação selecionada dos materiais fornecidos. Uma imagem pode definir a aparência de um sujeito, a composição ou o tratamento visual. Um vídeo pode estabelecer ação, movimento de câmara ou um efeito; uma referência de áudio pode estabelecer timbre de voz, melodia ou conteúdo falado. Diga ao modelo o que deve retirar de cada referência, em vez de pedir a cópia de todas as propriedades. Por exemplo, use uma fotografia de produto para a forma e a cor, um clip curto de movimento de câmara para a aproximação e uma referência sonora para a atmosfera.

O fluxo da família permite até nove imagens de referência, três clips de vídeo e três clips de áudio. As referências de vídeo têm 2–15 segundos cada, com um máximo total de 15 segundos; as referências de áudio usam os mesmos limites por clip e de duração total. Áudio isolado e texto com áudio sem referência visual não são combinações de referências suportadas. A criação apenas com texto é um modo separado suportado. Para uma sequência, forneça os recursos na ordem pretendida e refira-os de forma consistente como Imagem 1, Vídeo 1 ou Áudio 1, usando a ordem dentro de cada tipo de conteúdo. Não substitua uma referência numerada no pedido escrito por um identificador de recurso.

Uma imagem de primeiro fotograma define a abertura de um plano orientado por imagem. O modo de primeiro e último fotogramas define ambos os limites. Se essas imagens exatas de limite forem importantes, selecione esse modo específico, em vez de descrever referências como abertura e final num pedido de referências omni. Esta última opção é um efeito orientado pelo pedido e não equivale à escolha rigorosa de fotogramas de limite. Prepare as imagens para a composição de saída e indique a ação que liga as situações inicial e final.

A edição de vídeo altera um clip existente, em vez de o usar apenas como inspiração. Identifique o vídeo a editar, o objeto ou a região a alterar, o momento e a posição em que aparece e os pormenores a preservar. Um pedido útil é: «No Vídeo 1, substitua a caneca pelo recipiente mostrado na Imagem 1; preserve o movimento da mão, o enquadramento, a iluminação e a disposição da mesa.» Para remoção, nomeie o objeto indesejado e os elementos envolventes que devem permanecer. O fabricante aconselha a referir diretamente o vídeo de destino para edição ou prolongamento; descrevê-lo como referência pode antes transmitir um pedido de geração de uma cena nova.

O prolongamento de vídeo acrescenta acontecimentos antes ou depois de um clip existente. Descreva a direção da continuação e o que acontece a seguir ou anteriormente. O fluxo documentado também pode ligar dois ou três clips com transições geradas; os três vídeos de entrada, em conjunto, continuam sujeitos ao limite de referências de 15 segundos. O tutorial distingue uma continuação que inclui sobretudo filmagens dos limites do clip original de um pedido que mantém explicitamente o conteúdo original. Indique a composição pretendida do resultado: apenas a continuação, ou uma cena que contenha o clip fornecido e a nova ação.

Para uma orientação clara, separe a descrição da cena estável da sequência de acontecimentos. Defina cada sujeito com duas ou três características visuais distintivas e uma designação consistente. Depois descreva ações, cenário, iluminação, movimento de câmara, estilo visual e restrições. Num diálogo, associe cada fala ao respetivo locutor e à ação relevante. Use designações de planos ordenadas, em vez de tratar marcas temporais exatas como controlos fiáveis: o fabricante observa que os tempos precisos podem ser instáveis. Um pedido de produto encenado pode ser: «A Imagem 1 define o Produto A. Plano 1: aproxime-se lentamente do Produto A no balcão. Plano 2: uma mão roda-o na direção da luz. Plano 3: estabilize sobre o rótulo frontal. Ambiente sonoro suave da sala; preserve as letras impressas.»

Prepare as referências de acordo com as regras de entrada documentadas para a família. Os formatos de imagem suportados incluem JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC e HEIF; cada imagem deve ter menos de 30 MB. O guia exige largura e altura de imagem estritamente entre 300 e 6000 píxeis e uma proporção estritamente entre 0.4 e 2.5. As referências de vídeo usam MP4 ou MOV com vídeo H.264 ou H.265 e áudio AAC ou MP3, têm no máximo 200 MB cada e 24–60 fotogramas por segundo. A largura e a altura são de 300–6000 píxeis, a proporção é de 0.4–2.5 e o número total de píxeis é de 407 696–8 295 044. As referências de áudio usam WAV ou MP3 e têm no máximo 15 MB cada. Estas são especificações de preparação de entradas do fabricante, distintas dos controlos de carregamento de uma aplicação específica.

O fluxo de retratos do fabricante exige uma preparação específica para imagens ou vídeos com rostos humanos reais: os carregamentos diretos de referências não são o percurso normalmente suportado. Documenta saídas de modelos de confiança, personagens digitais predefinidas e um fluxo autorizado de recursos de pessoas reais como soluções separadas. A correspondência de voz, a pronúncia e o som no limite de um clip também precisam de ser examinados. O guia de pedidos recomenda descrever as características de voz pretendidas e manter o estilo do diálogo próximo da referência de áudio. Reveja no artefacto final a consistência dos sujeitos, as palavras exatas pronunciadas, os tempos da ação, as transições de fotogramas e o áudio final; refine o elemento específico que diverge do pedido.