Seedance 2.0 技術架構

根據公開資訊，公開技術描述提到統一的「多模態音影片聯合生成」架構。輸入：文本 + 最多 9 張圖、3 段影片、3 段音頻（以平台為準）。文本驅動場景、動作與風格；圖/影片/音頻提供構圖、動作、運鏡與聲音參考。提示詞中的 @ 標籤可指定各素材用途。

影片：通常 4–15 秒可選；解析度最高 2K（2048×1080）；比例常見 16:9、9:16、1:1、4:3、3:4、21:9 及自適應。音頻：原生立體聲，與畫面聯合生成（非後期配音）；根據公開報導支援多語種口型同步。多數流程支援影片延長與片段編輯。

根據第三方報導，技術文章描述為「雙分支擴散 Transformer」，在單次推理中同時處理畫面與音頻流，使口型、音效與音樂從生成起就與畫面對齊。多鏡頭一致性透過複用同一參考圖並在提示詞中引用實作。API 可透過火山引擎 BytePlus 及第三方提供方接入，流程多為非同步（提交任務、輪詢狀態、下載結果）。具體規格請以 Seedance 專案頁與提供方開發者文檔為準。