ByteDance: Seedance 2.0

Seedance 2.0 genererar video från en skriven scen eller en kombination av bild-, video- och ljudreferenser. Den exakta väljaren doubao-seedance-2-0-260128 identifierar standardprofilen 2.0. De dokumenterade arbetsflödena omfattar generering av ny video samt redigering och förlängning av befintligt material. Använd referenser för att förmedla utseende, rörelse, kamerans bildspråk och ljud och ange sedan vilka delar av scenen de ska styra.

Text kan anges ensam. De dokumenterade multimodala kombinationerna tillåter också bilder eller video med valfri text, bilder med ljud, video med ljud och bilder, video och ljud tillsammans. Ljud åtföljer alltså visuella medier i dessa listade kombinationer; det beskrivs inte som en fristående ljud-till-video-begäran. Skriv det önskade resultatet tydligt även när text är valfri, så att varje referens roll är uttrycklig i stället för att behöva härledas från orelaterat material.

Arrayen content skiljer mellan objekten text, image_url, video_url och audio_url. Multimodala referenser använder roller som reference_image, reference_video och reference_audio. En bild kan definiera personen, föremålet, platsen eller det visuella uttrycket. En video kan visa ett framförande, en rörelse eller en kameravy, och ljud kan fastställa ett spår eller tidsförlopp. Ange fördelningen i beskrivningen: behåll motivet från bilden, följ videons kameravy och använd ljudet som bakgrund. Be inte varje referens att definiera alla egenskaper samtidigt.

Det dokumenterade reklamexemplet kombinerar två produktbilder med en video och en ljudreferens. Det beskriver en öppningsbild, en handlingssekvens, en produktdetalj i närbild och en slutkomposition med en konsekvent bakgrundsröst. Samma struktur kan organisera en kort presentation: etablera föremålet, demonstrera en handling och avsluta med en igenkännbar egenskap. För en redigering anger du källmaterialet och delen som ska ändras; för en förlängning förklarar du handlingen som fortsätter bortom den befintliga scenen samtidigt som motiv och rörelseriktning bevaras.

Profilen 2.0 dokumenterar en längd i hela sekunder från fyra till femton eller -1 för en automatiskt vald längd inom intervallet. Standardvärdet är fem sekunder. Upplösningsalternativen är 480p och 720p, med 720p som standardvärde; 1080p är uteslutet för 2.0. Fasta bildförhållanden omfattar 16:9, 4:3, 1:1, 3:4, 9:16 och 21:9. Ett adaptivt bildförhållande kan välja bildformat från prompten eller referensen: arbete utifrån den första bildrutan följer startbilden, och multimodalt arbete använder den avsedda scenen eller det första relevanta mediet, med video prioriterad framför bilder. Kontrollera uppgiftsresultatets faktiska bildförhållande och längd.

Genererat ljud styrs separat från referensmedierna. generate_audio=true begär synkroniserade röster, effekter och bakgrundsmusik utifrån texten och det visuella innehållet; false begär en video utan ljud. Det dokumenterade standardvärdet är true, och dialog inom citattecken rekommenderas för tal. Ange vem som talar och hur ljudet hör ihop med den synliga handlingen och kontrollera sedan faktiska ord, röstfördelning och tidsplacering. Att tillhandahålla en ljudreferens och aktivera genererat ljud är skilda val i begäran.

Guiden för 2.0 utesluter de äldre kontrollerna frames och camera_fixed och stöder inte offlinebearbetning med flex. Använd fältet duration och beskriv kamerarörelsen i själva scenen. Seed och vattenstämpel är fortsatt dokumenterade kontroller; guiden säger att samma begäran och seed kan ge liknande resultat utan att garantera exakt identitet. Behandla inte ett seed-värde som bevis på reproducerbarhet eller en upprepad begäran som ett redan granskat klipp.

Användningen av videotoken beräknas som (indatavideons längd + utdatavideons längd) × utdatans bredd × utdatans höjd × utdatans bildfrekvens / 1024. Begäranden med indatavideo och de utan indatavideo har skilda debiteringskategorier. Uppgiftsfrågan rapporterar usage.completion_tokens och usage.total_tokens; spara dessa rapporterade mängder med det färdiga klippet.

Arbetsflödet är asynkront: inskickandet returnerar en uppgiftsidentifierare och den färdiga uppgiften ger content.video_url tillsammans med rapporterad längd, upplösning, bildförhållande, bildfrekvens och tokenanvändning. Behåll identifieraren och spara den färdiga videon med originalreferenser och prompt. Giltighetsfältet har 172 800 sekunder som standardvärde och accepterar 3 600–259 200 sekunder från skapandet av uppgiften; en uppgift som överskrider intervallet får tillståndet expired. Granska hela resultatet, inklusive skarven efter redigering eller förlängning, för karaktärernas utseende, föremålsdetaljer, rumsliga relationer, kamerakontinuitet och samspelet mellan ljud och bild i tiden.