Seedance 2.0 技術アーキテクチャ

公共技術の説明は、統一されたマルチモーダルオーディオビデオ共同生成アーキテクチャを指します。 入力:テキストと最大9つの画像、3つのビデオクリップ、および3つのオーディオトラック(プラットフォームの制限に差し込む)。 テキストは、シーン、アクション、スタイルを駆動します。画像/ビデオ/オーディオは、構成、モーション、カメラ、および音の参照を提供します。 プロンプトの@タグシステムでは、各アセットにロールを割り当てることができます。

ビデオ: 普通選択可能な4–15秒; までの決断 2K ( )2048×1080; アスペクト比は、多くの場合、16:9、9:16、1:1、4:3、3:4、21:9および適応性を含みます。 音声:ネイティブステレオ、ビデオと共同で生成される(ポスト-dubbedではなく)、パブリックレポートで複数の言語でサポートされているリップ同期。 ビデオエクステンションとインプレース編集は、多くのワークフローでサポートされています。

サードパーティの技術的な書き込みアップは、ビジュアルとオーディオストリームを単一の推論で処理するデュアルブランチの拡散トランスを記述し、リップ同期、サウンドエフェクト、音楽を有効にして、開始から画像と整列することができます。 ショット全体での一貫性は、同じ参照イメージを再利用し、プロンプトでそれらを参照することによって達成されます。