ByteDance: Seedance 2.0 Fast

Seedance 2.0 Fast är ByteDance Seeds hastighetsorienterade version av Seedance 2.0-familjen. Den stöder gemensam video- och ljudgenerering och ett multimodalt uppdrag byggt av text, bilder, video och ljud. Dess kreativa förmågor omfattar nya referensstyrda scener, redigering av befintligt material och förlängning av en scen, medan de dokumenterade utdatanivåerna är 480p och 720p.

Multimodal referens: ge materialet roller

En bild kan tillhandahålla en karaktär, produkt, komposition eller visuell behandling. En referensvideo kan tillhandahålla handling, kamerarörelse eller en effekt. Referensljud kan tillhandahålla röstklang, musikalisk melodi eller dialoginnehåll. Förklara vilken del av varje källa du vill föra över till den nya scenen; en referens blir mer användbar när den har en specifik kreativ roll.

Till exempel: ”Använd keramiklampan i Image 1 som produkten. Följ den långsamma kameracirkeln från Video 1, men placera lampan i en stillsam läshörna. Använd Audio 1 för musikens stämning.” Avsedda utdata är en ny scen som kombinerar valt utseende, rörelse och ljudregi, snarare än en ospecificerad efterbildning av varje detalj i referenserna.

De dokumenterade kombinationerna omfattar bilder med ljud, bilder med video, video med ljud och alla tre tillsammans. Text med enbart ljud och enbart ljudindata stöds inte. Modellen stöder också text-till-video och bildstyrd generering från en första bildruta eller ett par med första och sista bildrutan. När en exakt slutpunkt är central för uppdraget använder du det särskilda arbetsflödet för slutpunkter; att beskriva en referensbild som slutpunkt i en omni-referensprompt är indirekt kontroll.

Redigera en befintlig video

Modellen kan lägga till, ta bort eller ändra element, ersätta ett motiv och rita om eller reparera delar av en scen. Identifiera källvideon, objektet som ska ändras och elementen som ska vara kvar. Beskriv var ett tillägg visas och när. Identifiera objektet konsekvent genom klippet vid borttagning.

Ett praktiskt redigeringsuppdrag kan ersätta en enkel flaska i en demonstration med flaskan från Image 1, samtidigt som handrörelsen, bakgrunden och kamerabanan i Video 1 bevaras. Granska både ersättningen och områdena som ska förbli stabila. Tydliga instruktioner om bevarande gör den avsedda redigeringen lättare att utvärdera än en allmän begäran att ”förbättra” materialet.

Förläng och koppla ihop klipp

Seedance 2.0 Fast stöder förlängning framåt eller bakåt och sammankoppling av två eller tre klipp med genererade övergångar. Ange om den nya handlingen sker före eller efter den angivna videon vid förlängning och beskriv handlingen. Ange klippen i avsedd ordning vid sammankoppling och förklara den visuella händelse som förenar dem.

En enkel förlängning returnerar vanligtvis den nyutvecklade fortsättningen runt originalmaterialet i stället för att anta att hela källklippet upprepas. Ange det i uppdraget om utdata ska innehålla originalsegmentet. När en övergång fylls mellan två eller tre videor kan det dokumenterade arbetsflödet kombinera originalinnehåll och nygenererat innehåll. Det är användbart för att koppla en vid produktbild till en detaljbild genom en målmedveten kamerarörelse.

Utdata och versionsskillnader

Dokumenterade Fast-utdata är MP4 vid 24 fps, med 480p eller 720p, 8-bitars färgdjup och klipp på 4–15 sekunder. Bildförhållanden som stöds är 21:9, 16:9, 4:3, 1:1, 3:4 och 9:16. Standardversionen Seedance 2.0 listar separat utdata i 1080p och 4K; nivåerna ingår inte i Fast-specifikationen. Familjen 2.0 stöder returnering av den sista genererade bildrutan, men inte det separata Draft-förhandsvisningsläget.

Ljud kan genereras med materialet eller utelämnas för ett tyst klipp. Genererat ljud är mono. Dokumenterade promptspråk omfattar engelska, spanska, indonesiska, portugisiska och japanska. Håll det talade språket konsekvent inom en dialog; guiden avråder från att blanda språk utom för egennamn. Namnge talaren för en talad scen och placera repliken inom citattecken, och ange sedan framförande och relevanta ljudeffekter. Håll det begärda framförandet lämpligt för vald klipplängd.

Förbered referenser och följ indatagränser

De dokumenterade referensgränserna är upp till nio bilder, tre videor och tre ljudklipp. Direktuppladdningar av referensbilder eller videor som innehåller verkliga mänskliga ansikten accepteras inte i denna dokumenterade producentprofil; porträttarbete använder det stödda arbetsflödet för porträttresurser. Varje video- eller ljudklipp måste vara 2–15 sekunder långt; sammanlagd videolängd är högst 15 sekunder och sammanlagd ljudlängd är separat högst 15 sekunder. Videoreferenser använder MP4 eller MOV vid 24–60 fps och får inte överstiga 200 MB vardera. Ljudreferenser använder WAV eller MP3 och får inte överstiga 15 MB vardera. De listade bildformaten är JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC och HEIF. Bilder måste vara mindre än 30 MB vardera; den totala gränsen för begärans meddelandekropp är 64 MB. I den dokumenterade referensindataprofilen måste bildbredd och höjd vardera vara strikt mellan 300 och 6 000 pixlar, med ett bredd-höjd-förhållande strikt mellan 0,4 och 2,5. Referensvideor tillåter 300–6 000 pixlar i varje dimension och förhållanden på 0,4–2,5 inklusive gränserna, med totalt 407 696–8 295 044 pixlar. MP4- eller MOV-videor använder H.264/AVC- eller H.265/HEVC-video och AAC- eller MP3-ljud.

Ordna resurserna och hänvisa konsekvent till dem som Image 1, Video 1 eller Audio 1. Använd det synliga motivets namn eller särskiljande egenskap liksom resursnumret. Matcha bildutsnittet i slutpunktsbilderna med avsett videoförhållande, eftersom en avvikelse kan beskära bilden eller ge en störande ändring i bildutsnitt. Håll uppdraget fokuserat på egenskaperna som ska överföras, händelsen som ska genereras och vad som ska förbli oförändrat; en lång prompt kan sprida instruktionerna och lämna sekundära detaljer olösta.

Tagningsplanering, text och kända beteenden

Organisera ett komplext uppdrag som Shot 1, Shot 2 och Shot 3, med tydligt motiv, handling, position och ljud för varje del. Guiden rekommenderar en kamerarörelse per tagning och säger att exakta tidsstämplar per tagning är instabila. Ge varje karaktär en stabil etikett och några särskiljande egenskaper; använd en separat tydlig porträttbild och helkroppsreferens i stället för ett kombinerat karaktärsblad med flera vinklar när ansiktsidentiteten är viktig.

Modellen kan generera vanlig text, inklusive slagord, undertexter och pratbubblor, med anvisningar för färg, stil, position och entré. Vanliga tecken föredras framför sällsynta tecken eller specialsymboler. Kontrollera bokstäverna i rörelse. Oönskade undertexter, logotyper och dubblerade karaktärer är dokumenterade beteenden; uttryckliga begränsningar och rena referenser kan minska dem men garanterar inte att de uteblir. Fler än fyra referenspersoner rapporteras som en stabilitetsrisk, inte en hård filantalsgräns.

Upprepade förlängningar kan förstärka förlust av bildkvalitet, och en förlängningsskarv kan hoppa eller gå bakåt. Begränsa staplade fortsättningar och granska skarven i redigeringen. Refererad röstklang kan glida, berättarröst kan sluta med ett klick och kinesiska polyfona eller ovanliga tecken kan uttalas fel. Kontrollera den talade repliken och slutljudet; en kort ljuduttoning kan hjälpa vid ett abrupt avbrott. Kontrollerna ingår i förberedelsen av det kreativa resultatet, särskilt när tal eller karaktärskontinuitet bär berättelsen.