Arquitectura técnica de Seedance 2.0

Las descripciones técnicas públicas se refieren a una arquitectura de generación conjunta de audio y vídeo multimodal unificada. Entradas: texto más hasta 9 imágenes, 3 videoclips y 3 pistas de audio (sujeto a límites de la plataforma). El texto impulsa la escena, la acción y el estilo; Las imágenes/vídeos/audio proporcionan referencia para la composición, el movimiento, la cámara y el sonido. El sistema de etiquetas @ en las indicaciones le permite asignar roles a cada activo.

Vídeo: normalmente seleccionable entre 4 y 15 segundos; resolución hasta 2K (2048×1080); Las relaciones de aspecto suelen incluir 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 y adaptativa. Audio: estéreo nativo, generado conjuntamente con vídeo (no postdoblado); sincronización de labios compatible con varios idiomas en informes públicos. La extensión de vídeo y la edición in situ son compatibles con muchos flujos de trabajo.

Los artículos técnicos de terceros describen un transformador de difusión de doble rama que procesa transmisiones visuales y de audio en una sola inferencia, lo que permite alinear la sincronización de labios, los efectos de sonido y la música con la imagen desde el principio. La coherencia entre las tomas se logra reutilizando las mismas imágenes de referencia y haciendo referencia a ellas en el mensaje.