Seedance 2.0 技术架构

公开技术描述提到统一的「多模态音视频联合生成」架构。输入：文本 + 最多 9 张图、3 段视频、3 段音频（以平台为准）。文本驱动场景、动作与风格；图/视频/音频提供构图、动作、运镜与声音参考。提示词中的 @ 标签可指定各素材用途。根据公开信息，单次合计最多 12 个参考文件；具体限制以平台为准。

视频：通常 4–15 秒可选；分辨率最高 2K（2048×1080）；比例常见 16:9、9:16、1:1、4:3、3:4、21:9 及自适应。音频：原生立体声，与画面联合生成（非后期配音）；公开报道支持多语种口型同步。多数流程支持视频延长与片段编辑。第三方报导提到 2K 电影感短片常见 45–60 秒生成时间；具体以平台为准。

第三方技术文章描述为「双分支扩散 Transformer」，在单次推理中同时处理画面与音频流，使口型、音效与音乐从生成起就与画面对齐。多镜头一致性通过复用同一参考图并在提示词中引用实现。根据公开报道，具体实现细节以官方文档为准。API 接入与异步流程请查阅火山引擎或第三方提供方文档。