Génération vidéo Seedance 2.0 avec références multimodales

Ce qu’est Seedance 2.0

Seedance 2.0 est le modèle de création vidéo de ByteDance Seed, publié le 12 février 2026 avec une page qui lui est propre à l’adresse seed.bytedance.com/en/seedance2_0. La description en une phrase de cette page tient tout le positionnement : une architecture unifiée multimodale de génération conjointe audio-vidéo qui accepte des entrées de texte, d’image, d’audio et de vidéo, conçue pour offrir l’ensemble le plus complet de capacités de référence et d’édition de contenu du secteur.

L’article de lancement nomme aussi l’identité API du modèle. La page du modèle comporte un bouton Get API qui renvoie à l’entrée doubao-seedance-2-0 de la console Volcengine Ark, et au lancement le modèle était accessible depuis Dreamina, également appelée Jimeng, et depuis l’application Doubao. Cet identifiant vaut la peine d’être connu, parce que chaque site qui revend l’accès à cette génération la décrit avec ses propres mots, et que les noms correspondent rarement.

Cette page tient soigneusement séparées trois choses faciles à confondre. Ce que l’éditeur énonce est cité et attribué. Ce qu’affirment les pages concurrentes est cité et leur est attribué, avec une note chaque fois que la page officielle ne le confirme pas. Ce que cet espace de travail expose est lu dans la configuration de ce site même, de sorte que cela peut être vérifié plutôt que cru sur parole.

Un fait de chronologie passe avant tous les autres. Seedance 2.0 n’est pas la génération la plus récente de la famille. L’index des modèles de l’éditeur cite Seedance 2.5, dont la page propre le décrit comme conçu pour le récit en 30 secondes avec un contrôle précis des références, et cette page est plus récente que celle de 2.0 dont traite cet article. Rien ici n’affirme le contraire.

Les quatre affirmations de l’article officiel de lancement

Voici les quatre points forts que l’éditeur liste, sous ses propres titres, dans l’article de lancement daté du 12 février 2026. Ce sont les seules affirmations de capacité de cette page qui viennent de l’éditeur et non d’un revendeur.

Cinq domaines de capacité que l’article de lancement détaille

L’article de lancement passe ensuite en revue cinq domaines et publie un prompt pour chacun. La liste ci-dessous est cette structure, pas un résumé écrit ici.

• Mouvement complexe et interaction qui suivent les lois de la physique. L’exemple publié est un programme de patinage artistique en couple avec des sauts synchronisés, des vrilles en l’air et des réceptions décisives, décrit plan par plan.
• Référence multimodale tous azimuts. La composition, le langage de caméra, le rythme du mouvement et les caractéristiques sonores peuvent tous provenir des entrées, et l’article indique qu’un découpage écrit ou un storyboard peut être référencé directement.
• Respect des instructions, cohérence des sujets et planification de caméra pilotée par le prompt. L’article dit que le modèle planifie lui-même le langage de caméra et conçoit la présentation visuelle à partir de l’instruction.
• Audio à deux canaux avec sortie parallèle multipiste. La musique de fond, les ambiances et la voix off des personnages sont générées ensemble et alignées sur l’image, et l’article relève de petits détails de foley comme le verre dépoli, le tissu peluche, le plexiglas et le film à bulles.
• Large éventail de scénarios. Publicité, vidéo explicative, jeu et préviz sont nommés, avec l’argument que la génération remplace une partie de la chaîne d’effets et de tournage en prises de vue réelles.

Les limites d’entrée et de sortie publiées

Ce sont les limites que l’éditeur énonce, placées à côté des chiffres qu’affichent à la place des pages tierces. Quand l’éditeur n’a pas publié quelque chose, la ligne le dit, parce qu’un vide est plus utile qu’une supposition.

Des prompts à copier

Chaque prompt ci-dessous est le texte que l’éditeur imprime avec cette capacité, reproduit mot pour mot. Rien ici n’est une réécriture, et les clips d’exemple plus bas qui portent un prompt utilisent le même texte source.

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.

Ce que cet espace de travail expose

Voici les contrôles que l’espace de travail vidéo de ce site affiche réellement pour ce modèle, lus dans la configuration de l’espace de travail plutôt que dans une page marketing. Ce que vous pouvez soumettre correspond à ce que montre le sélecteur au moment où vous soumettez, et le prix est résolu par le serveur avant la création de la tâche.

Deux lignes méritent d’être confrontées aux chiffres de l’éditeur. L’espace de travail plafonne la durée à 15 secondes, le même plafond que l’article de lancement énonce pour une génération unique. Il expose 480p, 720p et 1080p plutôt qu’un palier 2K ou 4K, parce que ce sont les paliers que le service qui le propulse cite réellement.

D’où viennent les huit clips de cette page

Quatre des figures ci-dessous sont des clips que l’éditeur publie sur la page officielle du modèle Seedance 2.0, et chacun porte le prompt imprimé à côté. Les quatre autres sont les cas que trois pages concurrentes publient sous le nom de ce modèle, reproduits pour que la différence entre ce que chaque page peut soutenir soit visible plutôt que décrite.

Comparer les fichiers téléchargés par SHA-256 plutôt qu’à l’œil a fait surgir un résultat qui mérite d’être énoncé clairement. Deux des quarante-trois fichiers réunis pour cette page sont republiés octet pour octet d’une source à l’autre. Le clip que seedance.tv publie sous son titre audio-vidéo immersif est le même fichier que le premier clip de la page officielle de Seedance 2.0, qui figure sous le titre officiel audio-vidéo immersif. Le premier clip de seedance.tv est aussi le même fichier que le clip héros de seedance-2.studio.

Une page qui republie un fichier décrit l’exemple officiel qui l’accompagne, pas un résultat indépendant qui lui serait propre, et rien dans cette page n’attribue un clip au site qui se trouve le servir. Chaque figure nomme la page d’où elle vient, et le fichier de preuves qui étaye cette section enregistre chaque URL source, le SHA-256 du fichier téléchargé, ainsi que le SHA-256 et le nombre d’octets de l’objet publié.

Seedance 2.0 et Seedance 2.5, lus chacun sur leur propre page

Les deux générations ont leur page propre sur le site de l’éditeur, ce qui fait de cette comparaison la seule ici où les deux côtés viennent de la même source. Elle compare deux positions publiées, pas deux séries de résultats de test.

La lecture pratique : 2.0 est la génération dont l’accent publié porte sur la largeur des références et la vraisemblance physique, avec un plafond énoncé de 15 secondes, tandis que 2.5 est celle que l’éditeur met en avant pour la durée. Quiconque a besoin d’un plan qui dépasse 15 secondes en une seule prise regarde la mauvaise entrée de cette famille, et cet espace de travail n’offrira pas non plus une durée supérieure pour ce modèle.

Pourquoi d’autres pages citent des chiffres différents

Les quatre pages que le propriétaire du site a demandé d’examiner sont en désaccord avec l’éditeur, et entre elles, sur plusieurs chiffres. Chaque ligne ci-dessous énonce ce qu’affirme cette page et ce qu’énonce l’éditeur, afin que l’écart soit inscrit au dossier plutôt que relégué en note de bas de page.

Rien de tout cela n’est une accusation de mauvaise foi. Une page de revendeur décrit ce que fait son propre produit avec un modèle, et un revendeur est libre d’exploiter un palier 2K ou 4K que l’article de lancement ne mentionne jamais. Ce que montre le tableau, c’est qu’un chiffre sur une telle page est une affirmation au sujet de cette page, et ne peut pas servir de spécification du modèle.

Les travaux auxquels cette génération convient

La liste ci-dessous est construite à partir des domaines de capacité et des exemples publiés, pas à partir d’une prose générique de cas d’usage. Chaque point nomme ce qui le rend adapté.

• Interaction entre deux personnes et entre plusieurs sujets, là où les modèles précédents produisaient des erreurs physiques. L’exemple de l’éditeur lui-même est un couple de patinage artistique exécutant un saut synchronisé et tenant sa réception.
• Les plans où le langage de caméra fait partie du cahier des charges. L’article énonce que le modèle planifie le langage de caméra à partir de l’instruction et conçoit pour elle un canevas visuel.
• Les séquences assemblées à partir de plusieurs références. Un personnage, une scène, des accessoires et un storyboard peuvent être affectés à des images distinctes à l’intérieur d’une même instruction, et c’est ainsi qu’est écrit le prompt publié du court-métrage apaisant de 15 secondes.
• Le travail de continuation. La fonction d’extension génère d’autres plans continus à partir d’un prompt, et l’exemple publié poursuit une scène à cheval au lieu d’en commencer une nouvelle.
• Les retouches ciblées et les modifications d’un clip existant, puisque la fonction de montage est décrite comme agissant sur un segment, un personnage, une action ou une ligne narrative donnés.
• Les pièces menées par le son, où l’audio est le sujet — c’est ce que fait le prompt ASMR publié avec le verre dépoli, le tissu peluche, le plexiglas et le film à bulles.
• Le contenu commercial et explicatif, où l’argument publié est le coût et le délai plutôt que la nouveauté artistique.

Comment générer ici

L’espace de travail de cette page s’ouvre avec Seedance 2.0 déjà sélectionné. Quatre étapes, dans l’ordre, suffisent.

1. Choisissez le mode. Le texte vers vidéo ne nécessite que le prompt. L’image vers vidéo ajoute une image de référence, et la référence vers vidéo ajoute un clip de référence.
2. Rédigez l’instruction dans l’ordre où le plan se déroule. Les prompts de l’éditeur lui-même nomment d’abord le format, puis la caméra, puis ce qui change, puis le son.
3. Réglez la durée, le niveau de résolution, le format d’image et l’activation ou non de l’audio, puis lisez le devis que renvoie le serveur. Rien n’est débité tant que le devis n’est pas confirmé.
4. Ouvrez le résultat, confrontez-le à l’instruction et téléchargez la prise que vous voulez. Soumettre à nouveau en changeant une seule variable est la façon la moins coûteuse d’apprendre comment ce modèle se comporte sur votre propre matériau.

Ce que l’éditeur lui-même reconnaît encore faible

L’article de lancement se referme sur une section d’évaluation qui liste des échecs autant que des forces. Ces admissions sont plus utiles que n’importe quel graphique de benchmark, et elles sont citées plutôt que reformulées.

• La stabilité des détails, l’hyper-réalisme et la vitalité dynamique exigent encore un affinage continu.
• Une distorsion audio survient occasionnellement.
• La cohérence multi-sujets, la précision du rendu du texte et les effets de montage complexes ont encore de la marge d’optimisation.
• L’article énonce que le modèle est encore loin d’être parfait et que des défauts subsistent dans ses résultats de génération.
• Sur la dimension audio, l’article décrit un bond massif de l’expressivité, et note par ailleurs que les instructions de dialecte, d’opéra traditionnel et de chant se sont nettement améliorées — un propos d’amélioration relative, non de précision.

D’où viennent les exemples et les chiffres

Chaque figure de cette page renvoie à l’une des lignes ci-dessous. Quand un chiffre vient d’une page concurrente plutôt que de l’éditeur, le tableau le dit, et chaque clip est attribué à la page d’où il a été tiré.