ByteDance: Seedance 2.0 Mini

Seedance 2.0 Mini är en separat namngiven modell i ByteDances audiovisuella Seedance 2.0-familj. Tillverkaren dokumenterar text-till-video, bild-till-video med första bildrutan eller första och sista bildrutan, multimodal referensgenerering, videoredigering och videoförlängning. Ljud kan genereras tillsammans med bilden. Välj skapandeläge utifrån det material du redan har: ett skrivet uppdrag, en fast öppningsbild, två gränsbildrutor eller ett klipp som behöver redigeras eller fortsättas.

Mini har en egen utdataprofil. Tillverkaren listar video i 480p och 720p med 8-bitars färg, 24 bildrutor per sekund och MP4-utdata. Bildförhållandena som stöds är 21:9, 16:9, 4:3, 1:1, 3:4 och 9:16; dokumenterad genereringslängd är 4–15 sekunder. Producentens längdkontroll tillåter också automatiskt val inom intervallet. Den fullständiga Seedance 2.0-modellens alternativ för 1080p och 4K är separata; de är inte Mini-inställningar. Familjens kapacitetstabell listar returnering av den sista genererade bildrutan, medan Draft-läge inte stöds.

Omni-referens skapar en ny scen med utvald information från det angivna materialet. En bild kan definiera ett motivs utseende, komposition eller visuella behandling. En video kan fastställa handling, kamerarörelse eller en effekt; en ljudreferens kan fastställa röstklang, melodi eller talat innehåll. Berätta vad modellen ska ta från varje referens i stället för att be den kopiera varje egenskap. Använd till exempel en produktbild för form och färg, ett kort klipp med kamerarörelse för inflygningen och en ljudreferens för atmosfären.

Familjens arbetsflöde tillåter upp till nio referensbilder, tre videoklipp och tre ljudklipp. Videoreferenser är 2–15 sekunder vardera, med högst 15 sekunder totalt; ljudreferenser använder samma gränser per klipp och totalt. Enbart ljud samt text plus ljud utan visuell referens är referenskombinationer som inte stöds. Skapande enbart från text är ett separat läge som stöds. Ange resurser i avsedd ordning för en sekvens och hänvisa konsekvent till dem som Image 1, Video 1 eller Audio 1, med ordningen inom varje medietyp. Ersätt inte en numrerad referens i den skrivna prompten med en resursidentifierare.

En bild för första bildrutan definierar öppningen i en bildstyrd tagning. Läget för första och sista bildrutan definierar båda gränserna. Om just dessa gränsbilder är viktiga väljer du det särskilda läget i stället för att beskriva referenser som öppning och slut i en omni-referensprompt. Det senare är en promptstyrd effekt och motsvarar inte ett strikt val av gränsbildrutor. Förbered bilderna för utdatakompositionen och ange handlingen som förbinder start- och slutsituationerna.

Videoredigering ändrar ett befintligt klipp i stället för att bara använda det som inspiration. Identifiera videon som ska redigeras, objektet eller området som ska ändras, dess tid och position samt detaljerna som ska bevaras. Ett användbart uppdrag är: ”I Video 1, ersätt muggen med kärlet som visas i Image 1; bevara handrörelsen, bildutsnittet, ljussättningen och bordsarrangemanget.” Namnge det oönskade objektet och de omgivande element som måste finnas kvar vid borttagning. Tillverkaren rekommenderar att direkt hänvisa till målvideo för redigering eller förlängning; att beskriva den som en referens kan i stället förmedla en begäran om en nygenererad scen.

Videoförlängning lägger till händelser före eller efter ett befintligt klipp. Beskriv fortsättningens riktning och vad som händer sedan eller tidigare. Det dokumenterade arbetsflödet kan också förbinda två eller tre klipp med genererade övergångar; de tre indatavideorna ryms tillsammans fortfarande inom referensbudgeten på 15 sekunder. Handledningen skiljer på en fortsättning som främst innehåller originalklippets gränsmaterial och en begäran som uttryckligen behåller originalinnehållet. Ange önskad sammansättning av resultatet: enbart fortsättningen eller en scen som innehåller det angivna klippet och den nya handlingen.

Skilj den stabila scenbeskrivningen från händelseförloppet för tydlig regi. Definiera varje motiv med två eller tre särskiljande visuella egenskaper och en konsekvent etikett. Beskriv sedan handlingar, miljö, ljussättning, kamerarörelse, visuell stil och begränsningar. Koppla varje replik till talaren och relevant handling i en dialog. Använd ordnade tagningsetiketter i stället för att behandla exakta tidsstämplar som tillförlitliga kontroller: tillverkaren noterar att exakt timing kan vara instabil. Ett iscensatt produktuppdrag kan lyda: ”Image 1 definierar Produkt A. Shot 1: närma dig långsamt Produkt A på disken. Shot 2: en hand vrider den mot ljuset. Shot 3: stanna på framsidans etikett. Mjuk rumsatmosfär; bevara den tryckta texten.”

Förbered referenser enligt de dokumenterade indatareglerna för familjen. Bildformat som stöds omfattar JPEG, PNG, WebP, BMP, TIFF, GIF, HEIC och HEIF; varje bild är mindre än 30 MB. Guiden anger bildbredd och höjd strikt mellan 300 och 6 000 pixlar och ett bildförhållande strikt mellan 0,4 och 2,5. Videoreferenser använder MP4 eller MOV med H.264- eller H.265-video och AAC- eller MP3-ljud, är högst 200 MB vardera och har 24–60 bildrutor per sekund. Deras bredd och höjd är 300–6 000 pixlar, bildförhållandet är 0,4–2,5 och det totala pixelantalet är 407 696–8 295 044. Ljudreferenser använder WAV eller MP3 och är högst 15 MB vardera. Detta är tillverkarens specifikationer för förberedelse av indata, separata från en viss applikations uppladdningskontroller.

Tillverkarens porträttarbetsflöde kräver särskild förberedelse för bilder eller videor med verkliga mänskliga ansikten: direktuppladdning av referenser är inte den normala stödda vägen. Det dokumenterar betrodda modellutdata, förinställda digitala karaktärer och ett godkänt arbetsflöde för resurser som avser verkliga personer som separata lösningar. Röstmatchning, uttal och ljud vid en klippgräns behöver också granskas. Promptguiden rekommenderar att beskriva avsedda röstegenskaper och hålla dialogstilen nära ljudreferensen. Granska slutleveransen avseende motivkonsekvens, exakta talade ord, handlingstiming, bildövergångar och slutljud; justera det specifika element som avviker från uppdraget.