Seedance 2.0: fullständig guide till multimodal inmatning
Om du fortfarande skapar AI-video med «endast textprompter och oändliga rerolls» missar du troligen kärnuppgraderingen i Seedance 2.0. Byggd på en enhetlig multimodal AV-arkitektur accepterar Seedance 2.0 text, bilder, ljud och video i ett flöde — upp till 12 referensfiler samtidigt (9 bilder + 3 videor + 3 ljudspår + naturliga språkinstruktioner). För skapare som behöver kontrollera karaktärsutseende, kamerarörelse och AV-sync är multimodal inmatning inte en bonus — den påverkar outputkvaliteten direkt.
Denna Seedance-handledning går igenom alla fyra inmatningsmodaliteter, @-referenssystemet och vanliga produktionsscenarier — även via Seedance kinesiska versionen-gränssnittet.
1. Varför multimodal inmatning spelar roll nu
Många tidigare verktyg accepterade bara text. Ju finare beskrivning, desto mer måste modellen gissa — utseende, kamerarörelser, musiktempo. I verkliga projekt har team redan look frames, referensklipp, BGM eller voiceover som inte kunde matas direkt in i modellen.
Seedance 2.0 sätter fyra modaliteter på en genereringsväg: modellen läser textsemantik, bildvisuals, videorörelse och kameraspråk plus ljudrytm och outputtar video med native ljudspår. Jämfört med 1.5 är komplexa interaktions- och rörelsescener mer användbara — närmare reklam-, kortdrama- och sociala arbetsflöden.
2. Fyra inmatningsmodaliteter förklarade
2.1 Text: ange avsikten tydligt
Text förblir grunden; Seedance 2.0 hanterar långa instruktioner, shotlistor och stilnyckelord mycket bättre. Du kan:
- skriva fullständiga scenberättelser (subjekt, miljö, handling, kamera, stil);
- använda storyboard-liknande multi-shotbeskrivningar;
- koppla @-referenser för att tilldela varje asset en roll.
Exempel: «@Image1 för huvudkaraktärens ansikte, @Video1 för follow-cam-rörelse, @Audio1 som bakgrundsmusik — karaktären går genom en neon-nattmarknad, kameran följer bakifrån, vänder sig sedan leende mot linsen.»
2.2 Bilder: lås karaktär och visuell stil
Bilder är den vanligaste referensen. Efter uppladdning av look frames, scenboards, varumärkes-VI eller style plates extraherar modellen ansikte, kläder, färg och komposition och håller dem relativt stabila mellan shots.
| Typisk användning | Anteckningar |
|---|---|
| Karaktärslook | Replikera ansikte och outfit mellan shots |
| Scenreferens | Fixera miljö, ljus och palett |
| Style plate | Enhetliggör reklam- och e-handelsvisuals |
| Första frame | Styr öppningskomposition |
Upp till 9 bilder; JPG, PNG, WebP.
2.3 Ljud: rytm, dialog och stämning
Seedance 2.0 accepterar uppladdat ljud och kan outputta native synkroniserade spår. Ljud används för:
- Bakgrundsmusik: beat-synkad redigering och pacing;
- Voiceover/dialog: lip-sync (mandarin, kantonesiska, engelska m.fl.);
- Ambient SFX: starkare scenatmosfär.
Upp till 3 ljudspår, total längd vanligtvis inom 15 sekunder; MP3, WAV, M4A.
2.4 Video: visuell referens för kamera och rörelse
Referensklipp ger kamerarörelse, kroppsaction, rytm och VFX-stil — utan att översätta allt till text. Vanliga fall:
- follow-, orbit-, dolly- eller push-pull-kamera;
- dans- eller actionkoreografi;
- förlänga eller komplettera scener från befintligt footage.
Upp till 3 videor, gränser per klipp och totalt (vanligtvis ≤ 15 s); MP4, MOV.
I verklig produktion, kombinera modaliteter efter deliverable: korta reklamer behöver ofta bild + text; musikklipp prioriterar @Audio1; actionsekvenser gynnas av @Video1. Alla 12 filer behövs inte — börja minimalt, lägg till referenser vid drift.
3. @-referenssystem: ge varje asset ett jobb
@-referenser gör multimodal inmatning praktisk. Efter uppladdning, markera @Image1, @Video1, @Audio1 i prompten så modellen känner varje fils roll istället för att gissa.
| Tag | Vanlig roll |
|---|---|
| @Image1 | Ansikte / kläder / scen |
| @Video1 | Kamerarörelse / actiontempo |
| @Audio1 | BGM / lip-sync voiceover |
| Text | Berättelse, stil, längd |
Kombinationsexempel (bild + video + ljud):
Använd first-person framing från @Video1 genom hela klippet.
@Audio1 som bakgrundsmusik, redigering på beat.
Karaktär från @Image1 genom neon-nattmarknad, kamera följer bakifrån,
rörelsestil som i @Video1 — paus, vändning, leende.
Filmisk nattlook, rik färg, grund skärpedjup.Tydliga @-roller förbättrar kontrollerbarheten avsevärt.
I komplexa prompter, lista @-roller före berättelsen för att förankra referenser. I multi-shotbeskrivningar, upprepa taggar vid scenbyte — t.ex. «@Image1 kvar i shot 2» — för att minska drift. Om ljud styr rytmen, nämn «@Audio1 on the beat»; för kameracentrerat arbete, börja med @Video1-rörelsespråk före subjektets handling. Testa 4–6 s klipp per @ innan förlängning till 15 s.
4. Kärnspecifikationer i korthet
| Post | Specifikation |
|---|---|
| Inmatningsmodaliteter | Text + bild + video + ljud |
| Referensfilgräns | 12 totalt (9 bilder + 3 videor + 3 ljud) |
| Klipplängd | 4–15 sekunder |
| Upplösning | 480p / 720p / 1080p (Pro upp till 2K) |
| Bildförhållanden | 16:9, 9:16, 1:1, 4:3, 3:4, 21:9 |
| Ljud | Native AV-sync, flerspråkig lip-sync |
| Bildfrekvens | 24 fps |
5. Tre vanliga produktionsscenarier
5.1 Kortform och socialt innehåll
Team behöver ofta volym med samma IP och look. Lås karaktär med bilder, kameraspråk med videoreferens, variera manus i text — snabbare iteration med färre rerolls.
5.2 Varumärkesmarknadsföringsassets
Varumärken kräver VI-konsistens. Logotyp, key visuals och style boards plus textprompter för reklam- eller socialklipp med enhetlig ton — mer pålitligt än bara text.
5.3 Utbildnings- och kunskapsvideo
Ladda upp föreläsnings- eller narrationsljud för lip-sync visuals; lägg till scenreferensbilder — billigt multimodalt undervisningsinnehåll.
6. Kom igång: arbetsflöde i fyra steg
- Definiera deliverable: reklam, kortdrama, socialklipp; längd och bildförhållande.
- Förbered referenser: karaktär, kamera, BGM efter behov — behöver inte alla 12 filer varje gång.
- Skriv prompt + @: berättelse först, bind sedan varje asset; undvik motsägande instruktioner.
- Iterera smått: 4–6 s för att validera karaktär och kamera, förläng sedan till 10–15 s.
FAQ
F: Måste jag använda alla fyra modaliteter?
S: Nej. Bara text fungerar; en eller två bilder räcker. Mixa efter behov.
F: Hur mappas @-nummer?
S: Efter uppladdningsordning — första bilden är @Image1, första videon @Video1, osv. Håll numrering konsekvent i prompten.
F: Garanterar bilder 100 % konsistens?
S: Multi-shot-konsistens slår bara-text med råge; komplexa multi-subject eller extrema vinklar kan fortfarande drift — använd ett fast testset.
F: Visas uppladdat ljud i slutklippet?
S: Modellen kan följa ljudrytm och även generera native dialog, SFX och musik beroende på prompt och läge.
Redo att testa multimodal inmatning? Använd knappen nedan för att öppna Seedance 2.0 — fullständigt multimodalt arbetsflöde, inklusive Seedance kinesiska versionen-gränssnittet.
Relaterade sökningar: Seedance 2.0, Seedance-handledning, Seedance kinesiska versionen, multimodal AI-video, @-referensprompter.