Technische Architektur von Seedance 2.0

Öffentliche technische Beschreibungen verweisen auf eine einheitliche multimodale Architektur für gemeinsame Audio-Video-Generierung. Als Input dienen Text plus bis zu 9 Bilder, 3 Videoclips und 3 Audiospuren, jeweils innerhalb der Plattformlimits. Text steuert Szene, Aktion und Stil; Bilder, Videos und Audio liefern Referenzen für Komposition, Bewegung, Kamera und Sound. Über das @-Tag-System lassen sich Rollen der einzelnen Assets im Prompt klar zuweisen.

Video wird meist im Bereich von 4-15 Sekunden erzeugt, mit Auflösungen bis 2K (2048×1080). Öffentliche Beschreibungen nennen Formate wie 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 sowie adaptive Seitenverhältnisse. Audio entsteht nativ gemeinsam mit dem Video statt im Nachhinein; in öffentlichen Quellen werden Stereo-Ausgabe, Lip-Sync und Videoverlängerung regelmäßig erwähnt.

Technische Write-ups von Drittanbietern beschreiben einen Dual-Branch-Diffusion-Transformer, der visuelle und akustische Ströme in einer einzigen Inferenz verarbeitet. Dadurch lassen sich Lip-Sync, Soundeffekte und Musik von Anfang an auf das Bild abstimmen. Konsistenz über mehrere Shots hinweg entsteht vor allem durch wiederverwendete Referenzbilder und saubere Referenzen im Prompt.