Seedance 2.0: análisis completo de entrada multimodal
Si aún crea vídeo IA con «prompts solo de texto y rerolls interminables», probablemente se pierde la mejora central de Seedance 2.0. Construido sobre una arquitectura audio-vídeo multimodal unificada, Seedance 2.0 acepta texto, imágenes, audio y vídeo en un solo flujo — hasta 12 archivos de referencia a la vez (9 imágenes + 3 vídeos + 3 pistas de audio + instrucciones en lenguaje natural). Para creadores que deben controlar el aspecto del personaje, el movimiento de cámara y la sincronización AV, la entrada multimodal no es un extra: afecta directamente la calidad del resultado.
Este tutorial Seedance explica las cuatro modalidades de entrada, el sistema de referencias @ y los escenarios de producción habituales — también a través de la interfaz versión china Seedance.
1. Por qué importa ahora la entrada multimodal
Muchas herramientas anteriores solo aceptaban texto. Cuanto más fina la descripción, más tenía que adivinar el modelo — apariencia, movimientos de cámara, tempo musical. En proyectos reales, los equipos ya tienen planches look, clips de referencia, BGM o voz en off que no podían alimentar directamente al modelo.
Seedance 2.0 une cuatro modalidades en una ruta de generación: el modelo lee semántica de texto, visuales de imagen, movimiento de vídeo y lenguaje de cámara, más ritmo de audio, y produce vídeo con pistas de audio nativas. Frente a 1.5, las escenas de interacción y movimiento complejas son más utilizables — más cerca de flujos de publicidad, cortometraje y redes sociales.
2. Cuatro modalidades de entrada explicadas
2.1 Texto: exprese claramente la intención
El texto sigue siendo la base; Seedance 2.0 entiende mucho mejor instrucciones largas, listas de planos y palabras clave de estilo. Puede:
- escribir narrativas de escena completas (sujeto, entorno, acción, cámara, estilo);
- usar descripciones multi-plano tipo storyboard;
- asignar a cada recurso un rol con referencias @.
Ejemplo: «@Image1 para el rostro del personaje principal, @Video1 para movimiento de cámara en seguimiento, @Audio1 como música de fondo — el personaje recorre un mercado nocturno de neón, la cámara sigue por detrás, luego se gira sonriendo hacia la cámara.»
2.2 Imágenes: fijar personaje y estilo visual
Las imágenes son la referencia más habitual. Tras subir planches look, tableros de escena, VI de marca o placas de estilo, el modelo extrae rostro, vestuario, color y composición y los mantiene relativamente estables entre planos.
| Uso típico | Notas |
|---|---|
| Aspecto del personaje | Rostro y vestuario consistentes entre planos |
| Referencia de escena | Fijar entorno, iluminación y paleta |
| Placa de estilo | Unificar visuales de publicidad y e-commerce |
| Primer fotograma | Controlar composición de apertura |
Hasta 9 imágenes; JPG, PNG, WebP.
2.3 Audio: ritmo, diálogo y ambiente
Seedance 2.0 acepta audio subido y puede generar pistas sincronizadas nativas. El audio se usa para:
- Música de fondo: montaje y ritmo alineados con el beat;
- Voz en off/diálogo: sincronización labial (mandarín, cantonés, inglés, etc.);
- SFX ambientales: mayor atmósfera.
Hasta 3 pistas de audio, duración total normalmente dentro de 15 segundos; MP3, WAV, M4A.
2.4 Vídeo: referencia visual para cámara y movimiento
Los clips de referencia aportan movimiento de cámara, acción corporal, ritmo y estilo VFX — sin traducir todo al texto. Casos habituales:
- cámara de seguimiento, órbita, travelling o push-pull;
- coreografía de baile o acción;
- prolongar o completar escenas del metraje existente.
Hasta 3 vídeos, límites por clip y total (normalmente ≤ 15 s); MP4, MOV.
En producción real, combine modalidades según el entregable: anuncios cortos suelen necesitar imagen + texto; clips musicales priorizan @Audio1; secuencias de acción benefician de @Video1. No hace falta subir los 12 archivos — empiece con lo esencial y añada referencias solo cuando el resultado se desvíe.
3. Sistema de referencias @: asignar una tarea a cada recurso
Las referencias @ hacen práctica la entrada multimodal. Tras la subida, marque @Image1, @Video1, @Audio1 en el prompt para que el modelo conozca el rol de cada archivo en lugar de adivinar.
| Etiqueta | Rol habitual |
|---|---|
| @Image1 | Rostro / vestuario / escena |
| @Video1 | Movimiento de cámara / ritmo de acción |
| @Audio1 | BGM / voz en off con lip-sync |
| Texto | Historia, estilo, duración |
Ejemplo combinado (imagen + vídeo + audio):
Usar el encuadre en primera persona de @Video1 en todo el clip.
@Audio1 como música de fondo, montaje al ritmo del beat.
Personaje de @Image1 por mercado nocturno de neón, cámara sigue por detrás,
estilo de movimiento como en @Video1 — pausa, giro, sonrisa.
Look nocturno cinematográfico, color intenso, poca profundidad de campo.Roles @ claros mejoran mucho la controlabilidad.
Al construir prompts complejos, liste los roles @ antes de la narrativa para anclar referencias. En descripciones multi-plano, repita las etiquetas al cambiar de escena — p. ej. «@Image1 se mantiene en el plano 2» — para reducir deriva. Si el audio marca el ritmo, mencione «@Audio1 al beat»; para trabajo centrado en cámara, abra con el lenguaje de movimiento de @Video1 antes de la acción del sujeto. Pruebe primero clips de 4–6 s para validar que cada @ cumple su rol antes de extender a 15 s.
4. Especificaciones clave de un vistazo
| Elemento | Especificación |
|---|---|
| Modalidades de entrada | Texto + imagen + vídeo + audio |
| Límite de archivos de referencia | 12 en total (9 imágenes + 3 vídeos + 3 audio) |
| Duración del clip | 4–15 segundos |
| Resolución | 480p / 720p / 1080p (Pro hasta 2K) |
| Relaciones de aspecto | 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 |
| Audio | Sincronización AV nativa, lip-sync multilingüe |
| Cuadros por segundo | 24 fps |
5. Tres escenarios de producción habituales
5.1 Contenido corto y redes sociales
Los equipos suelen necesitar volumen con la misma IP y look. Fijar personaje con imágenes, lenguaje de cámara con referencia de vídeo, variar guiones en texto — iterar más rápido con menos rerolls.
5.2 Activos de marketing de marca
Las marcas exigen coherencia de VI. Logo, visuales clave y placas de estilo más prompts de texto generan clips publicitarios o sociales con tono unificado — más fiable que solo texto.
5.3 Vídeo educativo y de conocimiento
Subir audio de clase o narración para visuales con lip-sync; añadir imágenes de referencia de escena — contenido didáctico multimodal de bajo coste.
6. Primeros pasos: flujo en cuatro pasos
- Definir el entregable: anuncio, corto, clip social; duración y relación de aspecto.
- Preparar referencias: personaje, cámara, BGM según necesidad — no hace falta usar los 12 archivos cada vez.
- Escribir prompt + @: primero la historia, luego vincular recursos; evitar instrucciones contradictorias.
- Iterar en pequeño: 4–6 s para validar personaje y cámara, luego alargar a 10–15 s.
Preguntas frecuentes
P: ¿Debo usar las cuatro modalidades?
R: No. Solo texto funciona; una o dos imágenes bastan. Combine según necesidad.
P: ¿Cómo se asignan los números @?
R: Por orden de subida — la primera imagen es @Image1, el primer vídeo @Video1, etc. Mantenga la numeración coherente en el prompt.
P: ¿Las imágenes garantizan 100 % de coherencia?
R: La coherencia multi-plano supera con creces al solo texto; en escenas multi-sujeto o ángulos extremos puede haber desviación — use un conjunto de prueba fijo.
P: ¿El audio subido aparece en el clip final?
R: El modelo puede seguir el ritmo y, según prompt y modo, también generar diálogo, SFX y música nativos.
¿Listo para probar la entrada multimodal? Use el botón inferior para abrir Seedance 2.0 — flujo multimodal completo, incluida la interfaz versión china Seedance.
Búsquedas relacionadas: Seedance 2.0, tutorial Seedance, versión china Seedance, vídeo IA multimodal, prompts @ referencia.