Videogenerierung mit Seedance 2.0 und multimodalen Referenzen

Was Seedance 2.0 ist

Seedance 2.0 ist das Videomodell von ByteDance Seed, veröffentlicht am 12. Februar 2026 mit eigener Seite unter seed.bytedance.com/en/seedance2_0. Die Ein-Satz-Beschreibung dort ist die Positionierung: eine einheitliche multimodale Architektur zur gemeinsamen Audio-Video-Generierung, die Text-, Bild-, Audio- und Videoeingaben verarbeitet und für das umfassendste Set an Referenz- und Bearbeitungsfunktionen der Branche gebaut ist.

Der Launch-Beitrag nennt auch die API-Identität des Modells. Die Modellseite trägt eine Schaltfläche Get API, die auf den Eintrag doubao-seedance-2-0 in der Volcengine-Ark-Konsole verweist, und zum Start war das Modell über Dreamina, auch Jimeng genannt, und über die Doubao-App erreichbar. Diese Kennung ist es wert, gekannt zu werden, denn jede Seite, die Zugang zu dieser Generation weiterverkauft, beschreibt sie mit eigenen Worten, und die Namen stimmen selten überein.

Diese Seite hält drei Dinge auseinander, die leicht verschwimmen. Was der Herausgeber angibt, wird zitiert und zugeordnet. Was konkurrierende Seiten behaupten, wird zitiert und ihnen zugeordnet, mit einem Hinweis überall dort, wo die offizielle Seite es nicht bestätigt. Was dieser Arbeitsbereich anbietet, wird aus der Konfiguration dieser Seite abgelesen und kann damit geprüft statt geglaubt werden.

Ein zeitlicher Umstand steht vor allem anderen. Seedance 2.0 ist nicht die neueste Generation der Familie. Der Modellindex des Herausgebers führt Seedance 2.5, dessen eigene Seite es als für 30-Sekunden-Erzählungen mit präziser Referenzsteuerung gebaut beschreibt, und diese Seite ist neuer als die 2.0-Seite, um die es hier geht. Nichts auf dieser Seite behauptet etwas anderes.

Die vier Aussagen im offiziellen Launch-Beitrag

Das sind die vier Highlights, die der Herausgeber unter eigenen Überschriften im Launch-Beitrag vom 12. Februar 2026 auflistet. Sie sind die einzigen Fähigkeitsaussagen dieser Seite, die vom Herausgeber und nicht von einem Wiederverkäufer stammen.

Fünf Fähigkeitsbereiche, die der Launch-Beitrag im Detail dokumentiert

Der Launch-Beitrag geht anschließend fünf Bereiche durch und veröffentlicht zu jedem einen Prompt. Die Liste unten ist diese Struktur und keine hier geschriebene Zusammenfassung.

• Komplexe Bewegung und Interaktion nach physikalischen Gesetzen. Das veröffentlichte Beispiel ist eine Paarkür im Eiskunstlauf mit synchronisierten Absprüngen, Drehungen in der Luft und entschiedenen Landungen, Einstellung für Einstellung beschrieben.
• Multimodale Rundum-Referenz. Komposition, Kamerasprache, Bewegungsrhythmus und Klangeigenschaften können den Eingaben entnommen werden, und der Beitrag gibt an, dass eine geschriebene Shot-Liste oder ein Storyboard direkt als Referenz dienen kann.
• Instruktionstreue, Subjektkonsistenz und promptgesteuerte Kamerplanung. Der Beitrag sagt, das Modell plane die Kamerasprache selbst und entwerfe die visuelle Darstellung aus der Anweisung.
• Zweikanal-Audio mit paralleler Mehrspurausgabe. Hintergrundmusik, Umgebungsgeräusche und Charakter-Voiceover werden gemeinsam erzeugt und auf das Bild abgestimmt, und der Beitrag hebt kleine Foley-Details wie Milchglas, Plüschstoff, Acryl und Luftpolsterfolie hervor.
• Breite Szenario-Eignung. Werbung, Erklärstücke, Spiele und Previsualisierung werden genannt, mit dem Argument, Generierung ersetze einen Teil der Effekt- und Realdreh-Pipeline.

Die veröffentlichten Grenzen von Eingabe und Ausgabe

Das sind die Grenzen, die der Herausgeber angibt, gestellt neben die Zahlen, die dritte Seiten stattdessen bewerben. Wo der Herausgeber etwas nicht veröffentlicht hat, sagt die Zeile das, denn eine Lücke ist nützlicher als eine Vermutung.

Prompts zum Kopieren

Jeder Prompt unten ist der Text, den der Herausgeber zu dieser Fähigkeit abdruckt, Wort für Wort übernommen. Nichts hier ist eine Umschreibung, und die weiter unten gezeigten Beispielclips mit Prompt verwenden denselben Quelltext.

Competitive figure skating live performance. Opening with a low-angle shot following the skate blades gliding on ice, with clear details of ice shavings and light reflections. Entering the spin sequence: the male skater makes a minor error due to slight axis deviation, causing a brief disruption in spin rhythm. The female skater quickly adjusts her center of gravity, keeps a calm gaze, and signals "Stay with me" with eye contact, guiding the male skater to regain alignment. This transitions seamlessly into clean, stable lift movements with sharp, consistent body posture. The climax is a synchronized jump combination: upright aerial posture, decisive ice landings, with perfect audio-visual alignment. The female skater wears a deep-blue figure skating dress; the male skater is in competitive athletic attire. The full sequence delivers a complete narrative from tense mistake to calm, successful execution, highlighting the technical skill and mental strength of elite pair figure skating.

A girl hangs laundry gracefully. After finishing, she takes another piece of clothing from the bucket and shakes it vigorously. 2. Supports Multimodal "All-Round Reference" for Greatly Enhanced Creative Freedom Seedance 2.0 supports multimodal all-round reference , allowing combined input of various texts, images, videos, and audio. The model can accurately understand multimodal input content and generate output as instructed by referencing elements including visual composition, camera language, motion rhythm, and sound characteristics from the inputs. It can even directly reference text-based storyboards, significantly boosting creative freedom.

Refer to the shooting script in @Image 1, and draw on the storyboard, shot scale, camera movement, visuals and copy in @Image 1. The character is from @Image 2, the scene is from @Image 3, and the props are from @Image 4. Create a 15-second healing short film. 3.

Extend the video length. The camera follows a man in orange riding a brown horse. He speeds up and gallops to a large tree with orange flowers ahead, breaks off two blossoms from the branch. Then others ride into the frame one after another. The camera pushes in to shoot the man in orange clothes dismounting from the horse, then the camera quickly circles around him. He turns to walk toward a woman in white riding a white horse and presents the flowers to her. Style: Chinese classical lady painting, 3D, cheerful folk music, shadow puppet style, with black, white, and orange as the main color palette. 4.

Immersive first-person hand ASMR video. Close-up shot, under warm, soft lighting. A pair of slender hands gently triggers different objects in sequence: the light scratching of frosted glass, rubbing of plush fabric, gentle tapping on an acrylic board, light pinching of bubble wrap, and lightly running fingers across a wooden comb's teeth. Finger movements are slow and gentle. Pure, natural trigger sounds with no background music; the visual atmosphere is relaxing and healing. 5.

Was dieser Arbeitsbereich anbietet

Das sind die Steuerelemente, die der Video-Arbeitsbereich dieser Seite für dieses Modell tatsächlich rendert, abgelesen aus der Konfiguration des Arbeitsbereichs und nicht von einer Marketingseite. Senden kannst du, was der Selektor im Moment des Absendens zeigt, und den Preis ermittelt der Server, bevor die Aufgabe angelegt wird.

Zwei Zeilen lohnen den Vergleich mit den Zahlen des Herausgebers. Der Arbeitsbereich begrenzt die Länge auf 15 Sekunden, dieselbe Obergrenze, die der Launch-Beitrag für eine einzelne Generierung nennt. Er bietet 480p, 720p und 1080p und keine 2K- oder 4K-Stufe, weil das die Stufen sind, die der dahinterliegende Dienst tatsächlich ansetzt.

Woher die acht Clips auf dieser Seite stammen

Vier der Abbildungen unten sind Clips, die der Herausgeber auf der offiziellen Modellseite von Seedance 2.0 abdruckt, und jeder trägt den daneben abgedruckten Prompt. Die anderen vier sind die Fälle, die drei konkurrierende Seiten unter dem Namen dieses Modells veröffentlichen, wiedergegeben, damit der Unterschied in dem, was jede Seite belegen kann, sichtbar wird statt beschrieben.

Der Vergleich der heruntergeladenen Dateien per SHA-256 statt per Augenschein brachte ein Ergebnis, das klar benannt werden sollte. Zwei der dreiundvierzig für diese Seite zusammengetragenen Dateien sind quellenübergreifend Byte für Byte identisch. Der Clip, den seedance.tv unter seiner Überschrift für immersives Audio und Video zeigt, ist dieselbe Datei wie der erste Clip auf der offiziellen Seedance-2.0-Seite, der unter der offiziellen Überschrift für immersives Audio und Video steht. Der erste Clip von seedance.tv ist zudem dieselbe Datei wie der Hauptclip auf seedance-2.studio.

Eine Seite, die eine Datei erneut veröffentlicht, beschreibt das offizielle, ihr beigefügte Beispiel und kein eigenständiges Ergebnis, und nichts auf dieser Seite schreibt einem Clip die Seite zu, die ihn zufällig ausliefert. Jede Abbildung nennt die Seite, von der sie stammt, und die Belegdatei hinter diesem Abschnitt verzeichnet jede Quell-URL, den SHA-256 der heruntergeladenen Datei und den SHA-256 sowie die Bytezahl des veröffentlichten Objekts.

Seedance 2.0 und Seedance 2.5, jede von ihrer eigenen Seite gelesen

Beide Generationen haben ihre eigene Seite auf der Website des Herausgebers, was dies zum einzigen Vergleich hier macht, bei dem beide Seiten aus derselben Quelle stammen. Er vergleicht zwei veröffentlichte Positionen und nicht zwei Sätze von Testergebnissen.

Praktisch gelesen ist 2.0 die Generation, deren veröffentlichte Betonung auf Referenzbreite und physikalischer Plausibilität liegt, mit einer angegebenen Obergrenze von 15 Sekunden, während 2.5 diejenige ist, die der Herausgeber über die Länge verkauft. Wer eine Einstellung braucht, die länger als 15 Sekunden in einem Take läuft, schaut auf den falschen Eintrag dieser Familie, und dieser Arbeitsbereich bietet für dieses Modell auch keine längere Dauer an.

Warum andere Seiten andere Zahlen nennen

Die vier Seiten, deren Prüfung der Seiteninhaber erbeten hat, widersprechen dem Herausgeber und einander bei mehreren Zahlen. Jede Zeile unten nennt, was diese Seite behauptet und was der Herausgeber angibt, damit die Lücke aktenkundig ist und nicht in einer Fußnote steht.

Nichts davon ist ein Vorwurf der Bösartigkeit. Eine Wiederverkäuferseite beschreibt, was ihr eigenes Produkt mit einem Modell tut, und ein Wiederverkäufer darf eine 2K- oder 4K-Stufe anbieten, die der Launch-Beitrag nie erwähnt. Was die Tabelle zeigt, ist, dass eine Zahl auf einer solchen Seite eine Aussage über diese Seite ist und nicht als Spezifikation des Modells dienen kann.

Aufgaben, für die diese Generation taugt

Die Liste unten entsteht aus den Fähigkeitsbereichen und den veröffentlichten Beispielen, nicht aus generischem Anwendungstext. Jeder Punkt nennt, was ihn passend macht.

• Interaktion zwischen zwei Personen und zwischen mehreren Subjekten, wo frühere Modelle physische Fehler erzeugten. Das eigene Beispiel des Herausgebers ist ein Eiskunstlaufpaar, das einen synchronen Sprung ausführt und die Landung hält.
• Einstellungen, bei denen die Kamerasprache Teil des Auftrags ist. Der Beitrag gibt an, das Modell plane die Kamerasprache aus der Anweisung und entwerfe dafür eine visuelle Vorlage.
• Sequenzen, die aus mehreren Referenzen zusammengesetzt sind. Ein Charakter, eine Szene, Requisiten und ein Storyboard lassen sich in einer Anweisung verschiedenen Bildern zuweisen, und genau so ist der veröffentlichte 15-Sekunden-Prompt für den Heilfilm geschrieben.
• Fortsetzungsarbeit. Die Verlängerungsfunktion erzeugt aus einem Prompt weitere durchgehende Einstellungen, und das veröffentlichte Beispiel setzt eine Reitszene fort, statt eine neue zu beginnen.
• Gezielte Reparaturen und Änderungen an einem bestehenden Clip, da die Bearbeitungsfunktion auf ein bestimmtes Segment, einen Charakter, eine Handlung oder Storyline wirkt.
• Klanggeführte Stücke, bei denen das Audio das Thema ist, was der veröffentlichte ASMR-Prompt mit Milchglas, Plüschstoff, Acryl und Luftpolsterfolie tut.
• Kommerzielle und erklärende Inhalte, wo das veröffentlichte Argument Kosten und Durchlaufzeit sind und nicht künstlerische Neuheit.

So wird hier generiert

Der Arbeitsbereich auf dieser Seite öffnet mit bereits ausgewähltem Seedance 2.0. Vier Schritte in dieser Reihenfolge sind alles, was nötig ist.

1. Wähle den Modus. Text zu Video braucht nur den Prompt. Bild zu Video ergänzt ein Referenzbild, und Referenz zu Video ergänzt einen Referenzclip.
2. Schreibe die Anweisung in der Reihenfolge, in der die Einstellung abläuft. Die Prompts des Herausgebers nennen zuerst das Format, dann die Kamera, dann die Veränderung und zuletzt den Ton.
3. Stelle Dauer, Auflösung, Seitenverhältnis und die Audioerzeugung ein und lies dann die Preisangabe, die der Server zurückgibt. Es wird nichts berechnet, bevor die Preisangabe bestätigt ist.
4. Öffne das Ergebnis, vergleiche es mit der Anweisung und lade den Take herunter, den du willst. Ein erneutes Absenden mit einer geänderten Variable ist der günstigste Weg zu lernen, wie dieses Modell mit deinem eigenen Material umgeht.

Was der Herausgeber selbst noch als schwach bezeichnet

Der Launch-Beitrag schließt mit einem Bewertungsabschnitt, der neben Stärken auch Fehler auflistet. Diese Eingeständnisse sind nützlicher als jede Benchmark-Grafik, und sie werden zitiert statt umformuliert.

• Detailstabilität, Hyperrealismus und dynamische Vitalität benötigen weiterhin laufende Verfeinerung.
• Audioverzerrungen treten gelegentlich auf.
• Konsistenz zwischen mehreren Subjekten, Genauigkeit der Textdarstellung und komplexe Bearbeitungseffekte haben noch Optimierungsraum.
• Der Beitrag gibt an, das Modell sei noch weit von Perfektion entfernt und seine Generierungsergebnisse hätten weiterhin Mängel.
• In der Audiodimension beschreibt der Beitrag einen massiven Zuwachs an Ausdruckskraft und merkt getrennt an, dass sich Anweisungen zu Dialekt, traditioneller Oper und Gesang deutlich verbessert haben, was eine Aussage über relative Verbesserung und nicht über Genauigkeit ist.

Woher die Beispiele und Zahlen stammen

Jede Abbildung auf dieser Seite lässt sich auf eine der Zeilen unten zurückführen. Wo eine Zahl von einer konkurrierenden Seite und nicht vom Herausgeber stammt, sagt die Tabelle das, und jeder Clip ist der Seite zugeordnet, der er entnommen wurde.