Seedance 2.0 Architettura tecnica

Le descrizioni tecniche pubbliche si riferiscono a un'architettura congiunta multimodale di generazione audio-video. Ingressi: testo più fino a 9 immagini, 3 clip video e 3 tracce audio (soggetto ai limiti della piattaforma). Le immagini/video/audio forniscono un riferimento per la composizione, il movimento, la fotocamera e il suono. Il sistema di tag @ in prompt consente di assegnare ruoli a ogni asset.

Video: tipicamente 4–15 secondi selezionabili; risoluzione fino a 2K (2048×1080); i rapporti di aspetto spesso includono 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 e adattativo. Audio: stereo nativo, generato congiuntamente con video (non post-dubbed); lip-sync supportato per più lingue nei rapporti pubblici. L'estensione video e la modifica in-place sono supportati in molti flussi di lavoro.

Le scritture tecniche di terze parti descrivono un trasformatore di diffusione dual-branch che elabora flussi visivi e audio in un'unica inferenza, consentendo effetti sonori, lip-sync e musica da allineare con l'immagine fin dall'inizio. La coerenza tra i colpi è raggiunta riutilizzando la stessa immagine di riferimento e facendo riferimento a loro nel prompt.