Seedance 2.0

Présentation

Seedance 2.0 Fast est le modèle de génération vidéo multimodale de la série Seedance 2.0 de ByteDance, conçu pour produire rapidement des vidéos. Il prend en charge trois modes : texte-vers-vidéo, image-vers-vidéo et vidéo générée à partir de références multimodales. Les développeurs peuvent générer, à partir d'un simple prompt, des vidéos courtes de 4 à 15 secondes en 480p ou 720p, en spécifiant le ratio d'image, les images de première et dernière frame ainsi que des images, vidéos ou audios de référence, et en activant si besoin l'audio natif et la recherche web. Il est adapté aux prévisualisations publicitaires, aux courtes vidéos sociales et aux séquences narratives, où il permet de générer et de filtrer à moindre coût d'attente les prises exploitables.

Points clés

• Trois modes d'entrée couvrant les usages courants — un même modèle prend en charge la génération texte-vers-vidéo, image-vers-vidéo avec première et dernière frame, ainsi que la génération à partir de références multimodales, sans avoir à changer de modèle.
• Combinaison de références pour contrôler le résultat — jusqu'à 9 images, 3 vidéos et 3 audios de référence, pour une durée totale inférieure à 15 secondes, afin de contraindre l'image et le style sonore et visuel.
• Audio natif activable ou non — l'audio natif est généré par défaut ; il peut être désactivé lorsqu'on souhaite un support purement visuel pour un doublage ultérieur.
• Recherche web pour le texte-vers-vidéo — dans le mode texte-vers-vidéo, la recherche web peut être activée pour compléter le prompt avec des informations d'actualité nécessaires à la génération.

Capacités

Génération vidéo à partir de références multimodales : le résultat est contraint par une combinaison d'images, de vidéos et d'audios de référence, jusqu'à 9 images, 3 vidéos et 3 audios par appel, ce qui convient aux prises nécessitant un alignement sur des éléments existants.

Contrôle par première et dernière frame : en image-vers-vidéo, il est possible de fournir une image de première frame et, en option, une image de dernière frame pour définir les plans de début et de fin, afin de générer une transition entre des éléments existants.

Durée et résolution ajustables : la durée de sortie se règle en secondes entières entre 4 et 15 secondes, la résolution en 720p ou 480p ; le 720p offre une meilleure qualité, le 480p est plus rapide et plus économique, la facturation étant calculée sur les secondes de sortie.

Format et configuration audio : sept ratios d'image sont pris en charge (1:1, 4:3, 3:4, 16:9, 9:16, 21:9 et adaptatif), avec possibilité de générer l'audio natif ; le format et la forme sonore et visuelle se choisissent selon le canal de diffusion.

Pilotage par prompt textuel : le prompt peut atteindre 20 000 caractères et prend en charge le chinois et l'anglais ; il suffit de décrire le contenu du plan en texte pour générer directement la vidéo, sans préparer de références.

Cas d'usage

• Génération rapide de plusieurs versions de courtes vidéos par les équipes publicitaires — à partir d'un script textuel et d'images de référence, générer en lot des vidéos de 480p ou 720p pour les compétitions créatives et la présélection des supports de diffusion.
• Prévisualisation de storyboards nécessitant une cohérence de personnage ou de style — fournir les mêmes ensembles d'images et de vidéos de référence pour générer des plans courts au style cohérent, servant de référence en amont au tournage ou à la postproduction.
• Production de vidéos verticales pour les réseaux sociaux — choisir le format 9:16 et activer l'audio natif pour générer directement des contenus adaptés aux fils d'actualité verticaux.
• Complétion de plans de transition entre éléments existants — spécifier une image de première et de dernière frame pour générer le mouvement intermédiaire, utilisé au montage pour relier deux prises réelles ou éléments composites.

Limites et conseils de choix

La durée maximale d'un appel est de 15 secondes, ce qui ne convient qu'aux plans courts ; les vidéos longues doivent être générées par segments puis assemblées. Les références sont limitées en nombre et en durée totale : les projets complexes doivent être découpés en plusieurs appels. Les résolutions supérieures à 480p/720p ne sont pas prises en charge ; pour des livrables de haute qualité, un agrandissement séparé est nécessaire. La recherche web ne fonctionne qu'en texte-vers-vidéo, pas en image-vers-vidéo ni avec des références. Pour une meilleure qualité d'image ou des plans plus longs, il convient d'évaluer d'autres modèles de la même série.