Introducción
Envía un prompt más al menos uno de reference_image_urls, reference_video_urls o reference_audio_urls. Cada referencia conserva su propia función en la escena: identidad, producto, movimiento de cámara o voz. La duración, la resolución, la relación de aspecto y el audio son opcionales.
| Campo | Valor |
|---|---|
| Entrada | Texto |
| Salida | Video |
| Desarrollador | ByteDance (Seedance 2.5 Flash, versión rápida de Seedance 2.5, anunciada por BytePlus el 12 de noviembre de 2026) |
| Nombres de la API | bytedance/seedance-2.5-flash/text-to-video, image-to-video, reference-to-video, video-edit, video-extend |
| Resolución | 480p o 720p (720p por defecto); 1080p y 4K no son compatibles |
| Duración del clip | 4–30 segundos enteros, 5 por defecto; video-edit sigue su origen de 4–30 s |
| Relación de aspecto | 16:9 (por defecto), 9:16, 4:3, 3:4, 1:1, 21:9 o adaptive en solicitudes de texto y de referencia; imagen a video sigue la imagen inicial |
| Límites de referencias | Hasta 10 imágenes, 5 clips (30 s en total) y 5 archivos de audio en referencia a video |
| Reglas de los clips de referencia | Cada clip cuenta como mínimo 2 s y necesita unos 409.600 píxeles (854×480 o más) |
| Entradas de la edición |
|
| Audio |
|
| Opciones de salida | mp4 (por defecto) o mov; watermark desactivado por defecto; |
| Base del cobro | Por segundo según la resolución; los clips de referencia suman sus segundos; las ediciones cobran los segundos del origen; las generaciones fallidas no se cobran |
| Tiempo de render medido | De 84 s a unos 11 min para 4 s en 480p (ejecuciones del 13 de noviembre de 2026) |
Funciones y aspectos destacados
Los flujos del modelo insignia con un techo más bajo
Flash conserva los cuatro flujos de Seedance 2.5 que encajan con el trabajo de borrador (texto, fotogramas inicial y final, referencias mixtas, edición de clips), deja fuera 1080p y 4K, y suma una extensión de video basada en su modo de imagen a video. BytePlus presenta el intercambio como resultados cercanos al modelo insignia con casi el doble de velocidad. Nuestros renders de 4 segundos en 480p tardaron entre 84 segundos y unos 11 minutos, así que mide la velocidad en tu propia cola.
Asigna una función a cada archivo en el prompt
Nombra los archivos por tipo y orden, con un espacio: @Image 1, @Video 1, @Audio 1. Con dos retratos como @Image 1 y @Image 2 en 16:9, ambas personas aparecieron juntas en una misma escena de elevador y conservaron rostro, cabello y ropa. Con una imagen, un clip y un archivo de voz, la calle, el tranvía amarillo y la cámara de seguimiento del clip pasaron al resultado, pero la persona quedó de espaldas a la cámara y el rostro de @Image 1 apenas se vio.
Una calle soleada convertida en una tarde nevada
Los dos ciclistas, sus bicicletas, el tranvía y el movimiento de cámara coincidieron con el origen fotograma por fotograma; cambiaron el clima y la luz, y nada más. Fue un clip de 4,0 s en 480p con el audio desactivado, que además conservó la banda sonora original.
Un interruptor decide qué banda sonora obtienes
generate_audio viene activado por defecto y produce voces, efectos y ambiente junto con la imagen. En video-edit, desactivarlo conserva la pista propia del clip de origen (44,1 kHz en nuestra prueba), mientras que activarlo genera una nueva que puede seguir a @Audio 1. El interruptor no afecta el precio.
Parámetros de la solicitud
| Parámetro | Obligatorio | Descripción |
|---|---|---|
prompt | Sí | Nombra cada archivo subido con un espacio y su número de tipo, como @Image 1, @Image 2, @Video 1 o @Audio 1, y dale una sola función: identidad, producto, movimiento de cámara o… mínimo 1 caracteres · máximo 20000 caracteres |
reference_image_urls | No | Hasta 10 imágenes de personas, productos, lugares o un aspecto que quieras conservar. Envía una imagen clara y bien iluminada por sujeto y nómbrala en el prompt. mínimo 1 elementos · máximo 10 elementos |
reference_video_urls | No | Hasta 5 clips, 30 segundos en total, cada uno con al menos unos 409.600 píxeles: 854×480 y 1280×720 pasan, mientras que un clip de 640×360 se rechazó al enviarlo. mínimo 1 elementos · máximo 5 elementos |
reference_audio_urls | No | Hasta 5 archivos de voz, música o sonido, 30 segundos en total. Señala uno en el prompt, por ejemplo "in the voice from @Audio 1". mínimo 1 elementos · máximo 5 elementos |
aspect_ratio | No | 16:9 (por defecto), 9:16, 4:3, 3:4, 1:1, 21:9, o adaptive para que el modelo elija la forma. Nuestra prueba con dos imágenes en 9:16 devolvió 480×854. |
resolution | No | 480p o 720p, 720p por defecto; Flash no ofrece 1080p. La resolución que elijas fija también la tarifa por segundo de los segundos de los clips adjuntos. |
duration_seconds | No | Segundos enteros de 4 a 30, 5 por defecto. |
generate_audio | No | Activado por defecto, así que la escena recibe voces, efectos y ambiente sincronizados; los archivos de audio que adjuntes sirven para orientar ese sonido. Valor predeterminado: |
output_format | No | mp4 (por defecto) o mov. Elige el contenedor que espera tu editor; el precio es el mismo en ambos casos. |
return_last_frame | No | Desactivado por defecto. Valor predeterminado: |
watermark | No | Desactivado por defecto. Valor predeterminado: |
Precios
Se cobra por segundo según la tarifa de 480p o 720p. Cuando se adjuntan clips de referencia, sus segundos (al menos 2 por clip) se suman a los segundos solicitados y todo el total usa la tarifa menor con clips. Las imágenes y los archivos de audio de referencia, el audio activado o desactivado, la relación de aspecto, la marca de agua, el último fotograma y el formato no cambian el precio; las generaciones fallidas no se cobran.
| Resolución | With video: Sí | With video: No |
|---|---|---|
| $0.0706 / segundo | $0.115 / segundo |
| $0.147 / segundo | $0.2392 / segundo |
Casos de uso
Probar un plano antes del render final
Envía un prompt de 4 segundos, 480p y 16:9 que termine con una línea Audio:, por ejemplo un cruce peatonal bajo la lluvia por la noche. Nuestra prueba devolvió 854×480 a 24 fps, con 4,064 s de duración y una pista AAC estéreo con lluvia y risas. Cambia una frase y vuelve a ejecutar para ver qué se movió.
Cambiar el estilo de material que ya grabaste
Sube un clip de 4 a 30 segundos, describe el cambio y enumera lo que debe mantenerse. En nuestra prueba, una calle soleada con dos ciclistas y un tranvía se convirtió en una tarde nevada, y con generate_audio desactivado volvió la banda sonora original sin cambios.
Maquetas de personajes y productos
Adjunta un retrato y una foto de producto como @Image 1 y @Image 2 y pide 9:16. Nuestra prueba con dos imágenes devolvió 480×854 con el hombre levantando un frasco de vidrio con gotero hacia el lente, así que ambas referencias aparecieron. Usa el resultado para evaluar la idea antes de armar una versión pulida.
Animar un retrato en bucle
Da la misma foto como image_url y last_image_url y describe el movimiento entre ambas. Nuestro retrato de una alfarera devolvió un clip de 562×748 y 4,064 s cuyos fotogramas inicial y final coincidían con la pose de origen.
Encadenar un plano con el siguiente
Pon return_last_frame en true y el MP4 llega con un JPEG de su último fotograma (854×480 en 480p y 16:9 en nuestra prueba). Pasa ese JPEG como image_url de la siguiente solicitud de imagen a video para que el plano siguiente empiece donde terminó el anterior.
Guía de prompts y consejos prácticos
Elige el endpoint según tu entrada
Usa texto a video para un prompt solo, imagen a video para un fotograma inicial, referencia a video para imágenes, clips o una voz, edición de video para un clip existente de 4–30 segundos y extensión de video para sumar de 4 a 30 segundos a un clip de hasta 60 segundos. Los cinco comparten el rango 480p/720p y el interruptor
generate_audio.Envía la solicitud createTask
Haz POST a https://api.spicyapi.ai/api/v1/jobs/createTask con el encabezado Authorization: Bearer YOUR_SPICY_API_KEY y el cuerpo {"model": "bytedance/seedance-2.5-flash/text-to-video", "input": {"prompt": "A lighthouse keeper climbs a spiral stair at dawn and wipes fog from the lamp glass. Audio: wind, boots on iron.", "
duration_seconds": 4, "resolution": "480p"}}.Consulta el clip terminado
La respuesta entrega un taskId en estado queued. Llama a GET /api/v1/jobs/recordInfo?taskId=YOUR_TASK_ID, o pasa un callBackUrl, hasta que el estado sea succeeded; luego lee la dirección del MP4 en output.assets. Los detalles de los campos están en la guía de tareas en docs.spicyapi.ai/docs/tasks.
Cambia una frase y luego sube de nivel
Compara variaciones en 480p y 4 segundos, cambiando una sola frase por ejecución. Cuando una toma funcione, vuelve a ejecutarla en 720p y con la duración objetivo, o envía la misma instrucción a Seedance 2.5 para 1080p.
Qué hace la referencia a video de Seedance 2.5 Flash
La referencia a video de Seedance 2.5 Flash es el endpoint multirreferencia de ByteDance para la versión Flash de Seedance 2.5. Adjuntas hasta 10 imágenes, 5 clips de video y 5 archivos de audio, y el prompt indica qué aporta cada uno a una escena nueva de 4 a 30 segundos en 480p o 720p, con sonido.
Una referencia aporta identidad, aspecto de producto, comportamiento de cámara o voz; ninguna se convierte en el fotograma inicial, así que un plano que deba empezar en una imagen exacta pertenece a imagen a video. BytePlus, la plataforma en la nube de ByteDance, describe Flash como «resultados cercanos al Seedance 2.5 insignia, con una velocidad de generación casi el doble», solo en 480p y 720p.
Ejemplo de solicitud
Envía POST https://api.spicyapi.ai/api/v1/jobs/createTask con un encabezado Authorization: Bearer YOUR_SPICY_API_KEY y este cuerpo (guía de la API de tareas). Cada tipo se numera por separado según el orden de la lista: el retrato es @Image 1, el clip @Video 1 y el archivo de voz @Audio 1.
{
"model": "bytedance/seedance-2.5-flash/reference-to-video",
"input": {
"prompt": "The man from @Image 1 walks past the vintage car at the roadside gas station from @Video 1, filmed with the same slow camera move. He stops by the pump, looks into the lens and says a short friendly greeting in the voice from @Audio 1.",
"reference_image_urls": ["https://example.com/man-portrait.jpg"],
"reference_video_urls": ["https://example.com/gas-station-1280x720.mp4"],
"reference_audio_urls": ["https://example.com/greeting-voice.mp3"],
"duration_seconds": 4,
"resolution": "480p",
"aspect_ratio": "16:9",
"generate_audio": true
}
}
Ejemplo de respuesta
El envío devuelve {"code": 200, "msg": "success", "data": {"taskId": "YOUR_TASK_ID", "state": "queued"}}. Consulta GET /api/v1/jobs/recordInfo?taskId=YOUR_TASK_ID o pasa un callBackUrl; una tarea terminada se ve así:
{"code": 200, "msg": "success", "data": {"taskId": "YOUR_TASK_ID", "state": "succeeded", "output": {"assets": [{"url": "https://example.com/seedance-flash-reference.mp4"}]}}}
Parámetros
| Parámetro | Valores |
|---|---|
prompt | Obligatorio; nombra los archivos como @Image 1, @Video 1, @Audio 1 |
reference_image_urls | Hasta 10 imágenes |
reference_video_urls | Hasta 5 clips, 30 s en total, cada uno con al menos unos 409.600 píxeles |
reference_audio_urls | Hasta 5 archivos de audio, 30 s en total |
duration_seconds | 4 a 30, 5 por defecto |
resolution | 480p o 720p, 720p por defecto |
aspect_ratio | 16:9 (por defecto), 9:16, 4:3, 3:4, 1:1, 21:9, adaptive |
generate_audio, watermark, return_last_frame, output_format | true, false, false, mp4 por defecto (también mov) |
Envía al menos una imagen, un clip o un archivo de audio; aquí no hay campo image_url.
Cómo funciona el cobro
El cobro es por segundo con la tarifa de la resolución elegida. Sin clips de referencia, la duración cobrada son los segundos que solicitas.
Con clips adjuntos, son los segundos solicitados más los segundos de cada clip (cada uno cuenta como mínimo 2) con una tarifa por segundo menor; el precio de esta página muestra ambos niveles, así que recorta los clips al tramo que necesitas. Las imágenes, los archivos de audio, el interruptor de audio, la relación de aspecto, la marca de agua, el último fotograma y el formato no cambian el precio. Las generaciones fallidas no se cobran.
Consejos para buenos resultados
Dale una función a cada referencia; una etiqueta sola deja al modelo adivinando:
| Nombre | Función | Redacción que usamos |
|---|---|---|
@Image 1 | Identidad | "The man from @Image 1" |
@Image 2 | Producto | "the glass dropper bottle from @Image 2" |
@Video 1 | Movimiento de cámara | "filmed with the same slow camera move" |
@Audio 1 | Voz | "in the voice from @Audio 1" |
Escribe el nombre con un espacio, como en @Image 1, la forma que usan nuestros ejemplos. Los números cuentan por tipo, así que el clip que encabeza tu lista de videos es @Video 1 sin importar cuántas imágenes haya.
Pide el rostro. En una prueba, un retrato, un clip de 4 segundos y un archivo de audio dieron la calle, el tranvía amarillo y la cámara de seguimiento del clip, pero la persona quedó de espaldas a la cámara y el rostro de @Image 1 apenas se vio. Indica adónde va el rostro, como hace "looks into the lens" en el ejemplo de la gasolinera.
Decide qué aporta el clip. En esa prueba, el entorno llegó junto con el movimiento de cámara; si quieres tomar solo el movimiento, dilo.
Qué mostraron nuestras pruebas
Todas el 13 de noviembre de 2026 en 480p, 4 segundos, con audio activado.
| Referencias | Resultado | Tiempo |
|---|---|---|
| Retrato, clip de 1280×720 de 5,04 s, archivo de voz | 854×480, 4,064 s; el hombre pasa junto al auto antiguo y sonríe al lente | 2,5 min |
| 2 imágenes (hombre, frasco con gotero), 9:16 | 480×854; levanta el frasco y lo gira hacia la cámara, se usaron ambas referencias | 5,4 min |
| Retrato, clip de 4 s, archivo de audio | Se conservaron la calle, el tranvía y la cámara; persona de espaldas a la cámara | 9,4 min |
En los cuatro endpoints de Flash, los clips de 4 segundos en 480p tardaron de 84 segundos a unos 11 minutos; los clips en 720p o más largos tardan más. Estos tiempos, medidos solo en Flash, ni confirman ni desmienten la comparación de BytePlus con Seedance 2.5.
Límites y errores
| Límite | Qué ocurre | Qué hacer |
|---|---|---|
| Más de 10 imágenes, 5 clips o 5 archivos de audio, o clips que suman más de 30 s | La validación falla | Conserva las referencias que cumplan una función; recorta los clips |
| Un clip de menos de unos 409.600 píxeles | createTask se rechaza al enviar y no empieza ningún render; nuestro clip de 640×360 (230.400 píxeles) fue rechazado | Vuelve a exportar a 854×480 o 1280×720 o más; un clip vertical de 480×854 también pasa |
Usa solo rostros, voces y material que tengas derecho a usar, y no presentes a una persona generada como si fuera real. El modelo aplica sus propios controles de derechos de autor y semejanza y puede rechazar una solicitud.
Cuándo elegir un endpoint hermano
- Imagen a video de Flash: una imagen exacta debe abrir el plano.
- Texto a video de Flash para un prompt solo; edición de video de Flash para cambiar un clip existente.
- Seedance 2.5: entrega por encima de 720p, 4K o extensión de clips.
- Seedance 2.0 Fast: la versión rápida de la generación anterior, con extensión.
Inicio rápido de la API
# Generate the idempotency key once; reuse it when retrying after a lost response.
export SPICY_IDEMPOTENCY_KEY="${SPICY_IDEMPOTENCY_KEY:-$(uuidgen)}"
curl -X POST https://api.spicyapi.ai/api/v1/jobs/createTask \
-H "Authorization: Bearer $SPICY_API_KEY" \
-H "Content-Type: application/json" \
-H "Idempotency-Key: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "bytedance/seedance-2.5-flash/reference-to-video",
"input": {
"aspect_ratio": "16:9",
"duration_seconds": 5,
"output_format": "mp4",
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"reference_image_urls": [
"https://example.com/reference.png"
]
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Consulta la referencia de la API para autenticación, el esquema completo, sondeo y gestión de errores.










