Seedance 2.0 Arquitetura técnica

Descrições técnicas públicas referem-se a uma arquitetura unificada multimodal de geração conjunta de áudio e vídeo. Entradas: texto mais até 9 imagens, 3 clipes de vídeo e 3 faixas de áudio (sujeito aos limites da plataforma). Acionamentos de texto cena, ação e estilo; imagens/vídeos/áudio fornecem referência para composição, movimento, câmera e som. O sistema @ tag em prompts permite atribuir funções a cada ativo.

Vídeo: tipicamente 4-15 segundos selecionáveis; resolução até 2K (2048×1080); proporções de aspecto muitas vezes incluem 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 e adaptativo. Áudio: estéreo nativo, gerado em conjunto com vídeo (não pós-dubbed); lip-sync suportado para vários idiomas em relatórios públicos. Extensão de vídeo e edição no local são suportados em muitos fluxos de trabalho.

Os write-ups técnicos de terceiros descrevem um transformador de difusão de dois ramos que processa fluxos visuais e de áudio em uma única inferência, permitindo que efeitos sonoros, lip-sync e música sejam alinhados com a imagem desde o início. A consistência entre as imagens é obtida reutilizando a mesma(s) imagem(s) de referência e referindo-se a elas no prompt.