Wprowadzenie
Seedance 2.0 text-to-video buduje cały kadr z promptu – postać, scenografię, kamerę, światło – i renderuje ścieżkę dźwiękową w tym samym przebiegu. Nic nie kotwiczy obrazu, więc to endpoint dla ujęcia, które jeszcze nie istnieje.
Seedance 2.0 od ByteDance publikuje text-to-video, image-to-video i reference-to-video: klipy od 4 do 15 sekund, od 480p do 4K, z natywnym dźwiękiem i domyślnym kadrowaniem adaptive.
| Materiał początkowy | Odpowiedni tryb |
|---|---|
| Opisana scena | Seedance 2.0 Tekst na wideo |
| Zatwierdzony obraz początkowy | Seedance 2.0 Obraz na wideo |
| Oddzielne materiały referencyjne | Seedance 2.0 Referencje na wideo |
Najważniejsze funkcje
Brzmienie pomieszczenia wraca w tym samym pliku
generate_audio jest domyślnie włączone, więc lód w shakerze, śmiech, cichy gwar przy barze i samo pomieszczenie wychodzą z tego samego przebiegu co obraz. Wynik przychodzi już zsynchronizowany, bez czekania na osobną obróbkę dźwięku. Wyłącz je, kiedy klip i tak trafi do montażysty.
Dziewięć referencji, jedna ciągła obsada
reference-to-video przyjmuje naraz do 9 obrazów, 3 klipów i 3 ścieżek audio. Trzy ujęcia jednej twarzy plus kadr z kostiumem utrzymują postać przez cały odcinek znacznie lepiej niż dziewięć niepowiązanych kadrów, a klip referencyjny niesie język kamery, którego żaden przymiotnik w prompcie nie odtworzy w sposób pewny.
Kształt idzie za materiałem
aspect_ratio ma we wszystkich trzech endpointach domyślną wartość adaptive. W image-to-video klip zachowuje kształt kadru otwierającego, więc pion nie zostaje przycięty do poziomu; w text-to-video model bierze kształt z promptu; w reference-to-video znajduje kadr, który mieści wszystko z referencji. Podawaj 16:9, 9:16 albo 21:9 tylko wtedy, gdy miejsce publikacji wymaga stałego formatu.
Parametry żądania
| Parametr | Wymagane | Uwaga |
|---|---|---|
prompt | Tak | Jedyne źródło tego, co pojawi się na ekranie. Uporządkuj go jako postać, akcja, kamera, światło, dźwięk, jedna myśl na zdanie. |
aspect_ratio | Nie | Kadrowanie wyjścia, domyślnie |
resolution | Nie | Rozdzielczość wyjścia, domyślnie 720p, maksymalnie 4k; ten endpoint nie oferuje progu z upscalingiem. |
duration_seconds | Nie | Długość w pełnych sekundach, od 4 do 15, domyślnie 5, i zarazem rozliczana wielkość. |
generate_audio | Nie | Decyduje, czy natywna ścieżka dźwiękowa powstaje w synchronie z obrazem. Domyślnie: |
enable_web_search | Nie | Domyślnie wyłączone. Po włączeniu model może przed renderem wyszukać w sieci informacje związane z promptem. Domyślnie: |
seed | Nie | Całkowity seed; pominięty – każdy przebieg losuje własny. Ustal go przy wszystkim innym bez zmian, żeby ocenić, co naprawdę zmieniła poprawka w prompcie. |
return_last_frame | Nie | Oprócz wideo zwraca ostatnią klatkę klipu jako osobny obraz. Wyślij ją do image-to-video jako kolejną klatkę początkową, żeby łączyć ujęcia bez samodzielnego eksportowania kadru. Domyślnie: |
bitrate_mode | Nie | Bitrate dostarczanego pliku: |
watermark | Nie | Dodaje do wideo widoczny znak wodny „AI generated” samego modelu. Domyślnie wyłączone; włącz, gdy miejsce publikacji wymaga oznaczania materiałów wygenerowanych przez AI. Domyślnie: |
Cennik
| Specyfikacja | Cena |
|---|---|
| $0.07 / sekundę |
| $0.152 / sekundę |
| $0.374 / sekundę |
| $0.778 / sekundę |
| $0.114 / sekundę |
| $0.246 / sekundę |
| $0.612 / sekundę |
| $1.248 / sekundę |
Zastosowania
Zaplanuj scenę na podstawie tekstu
Seedance 2.0 text-to-video buduje cały kadr z promptu – postać, scenografię, kamerę, światło – i renderuje ścieżkę dźwiękową w tym samym przebiegu. Nic nie kotwiczy obrazu, więc to endpoint dla ujęcia, które jeszcze nie istnieje. Użyj tego trybu, aby opracować ujęcie przed przygotowaniem obrazu źródłowego. Opisz obiekt, działanie, otoczenie, kamerę i dźwięk jako sekwencję, a potem sprawdź czy rozwój obrazu jest czytelny.
Nocne lokale i sceny barowe, które niosą własny dźwięk
Mieszany koktajl, szkło na barze, cichy gwar za czerwonym lampionem: wpisz pomieszczenie w prompt i zostaw generate_audio włączone. Seedance 2.0 renderuje tło dźwiękowe razem z obrazem, więc cięcie przychodzi z atmosferą, a nie jako niemy materiał.
Materiał kostiumowy i roleplay bez cenzury
Koronka i satyna, ogony i uszy jako rekwizyty, kadry z perspektywy pierwszej osoby, pary dowolnej płci – nic z tego nie jest przez nas przeglądane. Własna warstwa Seedance odrzuca część śmielszych sformułowań, więc prowadź te momenty z pierwszej klatki w image-to-video, a nie z promptu.
Ciągłość kampanii w serii cięć
Wczytaj produkt z trzech ujęć i modelkę z dwóch do reference-to-video, a potem zmieniaj wyłącznie prompt dla każdego cięcia. Ta sama butelka, ta sama twarz i ta sama kurtka jadą razem z żądaniem, więc seria trzyma się w całości bez ręcznej korekcji.
Wskazówki
Wybierz endpoint na podstawie tego, co już masz
Sam opis idzie do text-to-video. Kadr, który musi przetrwać, idzie do image-to-video. Obsada, produkt albo ruch, który ma się powtarzać między cięciami, idzie do reference-to-video. Kiedy wołasz nazwę rodziny, endpoint wybierają za ciebie wysłane pola.
Zapisz ujęcie jak listę zdjęciową
Bohater, akcja, kamera, światło, dźwięk – jedna myśl na zdanie. Klip z tej strony powstał dokładnie z tego tekstu, zostawionego po angielsku tak, jak został wysłany: „Photorealistic live-action, not animation. A real adult woman in a chocolate satin robe works behind a dim neon bar, a large fluffy faux fox tail accessory clipped at the small of her back. She shakes a cocktail, turns to set the glass on the counter and the tail sways with the movement, then she looks back at camera with a teasing smile. Warm red lantern light, 35mm grain, slow push-in, ice rattling and low bar chatter.” Pięć sekund, 720p, 16:9, dźwięk włączony.
Dostosuj opublikowany przykład
Zacznij od opublikowanego przykładu i zachowaj wejścia właściwe dla tego trybu. Zmień tylko temat i kierunek kreatywny, a kolejne ujęcie porównaj z konkretnym celem wizualnym.
Photorealistic live-action, not animation. A real adult woman in a chocolate satin robe works behind a dim neon bar, a large fluffy faux fox tail accessory clipped at the small of her back. She shakes a cocktail, turns to set the glass on the counter and the tail sways with the movement, then she looks back at camera with a teasing smile. Warm red lantern light, 35mm grain, slow push-in, ice rattling and low bar chatter.
Klip pokazany na tej stronie, razem z żądaniem: pięć sekund w 720p, 16:9, dźwięk włączony. Zwróć uwagę, że prompt nazywa taśmę filmową, światło i dźwięk, a nie samą postać.
Sprawdź wynik i iteruj celowo
Sprawdź początek, akcję i ostatni kadr jako jedną sekwencję. W następnej próbie zmień tylko jedną decyzję kreatywną — akcję, kamerę albo dźwięk — i oceń, czy scena jest dzięki temu czytelniejsza.
Ustal punkt wyjścia i oczekiwany rezultat
Przed generowaniem określ, co ma być widoczne na początku, w trakcie zmiany i na końcu. Dzięki temu oceniasz sekwencję względem konkretnego celu, a nie ogólnego wrażenia.
Oceń osobno źródło i ruch
Obraz źródłowy ustala rozpoznawalne detale, a instrukcja opisuje to, co wydarzy się później. Sprawdź oba wybory razem, aby ruch nie zatarł kompozycji początkowej.
Szybki start z 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: $SPICY_IDEMPOTENCY_KEY" \
-d '{
"model": "bytedance/seedance-2.0/text-to-video",
"input": {
"prompt": "A slow aerial shot drifting over a misty pine forest at sunrise",
"resolution": "720p",
"aspect_ratio": "adaptive",
"bitrate_mode": "standard",
"generate_audio": true,
"duration_seconds": 5
}
}'
# Copy data.taskId from the response into TASK_ID, then poll the status.
TASK_ID="TASK_ID_FROM_RESPONSE"
curl "https://api.spicyapi.ai/api/v1/jobs/recordInfo?taskId=$TASK_ID" \
-H "Authorization: Bearer $SPICY_API_KEY"
Uwierzytelnianie, pełny schemat, odpytywanie i obsługę błędów opisuje dokumentacja API.
