Seedance 2.0 Технічна архітектура

Громадські технічні описи відносяться до єдиної багатомодової архітектури спільного покоління аудіо-відео. Вступи: текст плюс до 9 зображень, 3 відеоролики та 3 аудіо треки (підключення до межі платформи). Текстові диски сцена, дія та стиль; зображення/відео/audio забезпечують посилання на композицію, рух, камеру та звук. Система тегів в підказках дозволяє відправляти ролі до кожного активу.

Відео: як правило, 4–15 секунд вибрати; дозвіл до 2K (2048×1080); співвідношення сторін часто включають 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 і адаптивні. Аудіо: рідний стерео, створений спільно з відео (не пост-дюббед); ліпо-синк підтримується для декількох мов в публічних звітах. Підтримуються розширення відео та редагування заміни у багатьох робочих процесах.

Сторонні технічні записи описують подвійний транзисторний дифузійний трансформатор, який обробляє візуальні та звукові потоки в одній інференції, що дозволяє синтезувати ліпо-синк, звукові ефекти, а музика повинна бути вирівняна з картиною від початку. Консистенція по пострілах досягається шляхом багаторазового редагування того ж зображення посилання (s) і посилання на них в підказці.