Seedance 2.0 Architecture Technique

Les descriptions techniques publiques font référence à une architecture de génération conjointe audio-vidéo multimodale unifiée. Entrées : texte plus jusqu'à 9 images, 3 clips vidéo et 3 pistes audio (sous réserve des limites de la plateforme). Le texte détermine la scène, l'action et le style ; les images/vidéos/audio fournissent une référence pour la composition, le mouvement, la caméra et le son. Le système de balises @ dans les invites vous permet d'attribuer des rôles à chaque actif.

Vidéo : généralement 4 à 15 secondes sélectionnables ; résolution jusqu'au 2K (2048×1080) ; les formats d'image incluent souvent 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 et adaptatif. Audio : stéréo natif, généré conjointement avec la vidéo (non post-doublé) ; synchronisation labiale prise en charge pour plusieurs langues dans les rapports publics. L'extension vidéo et le montage sur place sont pris en charge dans de nombreux flux de travail.

Des documents techniques tiers décrivent un transformateur de diffusion à double branche qui traite les flux visuels et audio en une seule inférence, permettant ainsi d'aligner la synchronisation labiale, les effets sonores et la musique sur l'image dès le départ. La cohérence entre les prises de vue est obtenue en réutilisant la ou les mêmes images de référence et en y faisant référence dans l'invite.