Seedance 2.0 正式发布

推荐语

Seedance 2.0震撼发布，多模态音视频生成技术再升级，让创作更自由、更高效！

核心内容：
1. 统一多模态架构支持文字/图片/音频/视频混合输入
2. 复杂运动场景可用率提升至SOTA水平
3. 15秒高质量输出满足工业级创作需求

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

其核心亮点如下：

• 复杂场景下更高可用率：凭借出色的运动稳定性和物理还原能力，模型在多主体交互和复杂运动场景中表现出色，生成可用率达到业界 SOTA 水平。

• 多模态能力显著强化：基于统一的多模态音视频联合架构训练，支持混合模态输入，允许用户同时输入多达 9 张图片、3 段视频、3 段音频以及自然语言指令，模型可参考输入素材中的构图、动作、运镜、特效、声音等元素，打破传统视频生成的素材边界。

• 视频生成可控性大幅提升：模型的指令遵循与一致性表现全面提升，并支持稳定可控的视频延长、视频编辑，让普通用户也能像导演一样，轻松掌控视频创作全流程。

• 深度支持工业级内容创作：模型支持 15 秒高质量多镜头音视频输出，具备双声道音频能力，可实现极致拟真的视听效果，配合参考和编辑能力，能大幅降低影视、广告、电商、游戏等场景的内容制作成本。

目前，Seedance 2.0 已上线即梦AI、豆包等平台，欢迎体验和反馈。

项目主页：

https://seed.bytedance.com/seedance2_0

体验入口：

1）即梦网页端-视频生成-选择 Seedance 2.0；

2）豆包 App 对话框-Seedance2.0-选择 2.0 模型；

3）火山方舟体验中心-选择 Doubao-Seedance-2.0。

拟真视听效果和导演级操控

让音视频生成“所想即所见”

凭借基础能力和多模态效果的跃升，Seedance 2.0 将为用户带来全新的创作体验。

Seedance 2.0 能完成前代模型难以实现的多人竞技运动生成，音频效果更加自然沉浸，输入也不再局限于单一的文字或图片，创作过程更自然、高效，让用户能像真正的“导演”一样掌控创作。下面，我们将具体介绍其能力特点。

1.稳定呈现复杂运动和交互，真实还原物理规律

Seedance 2.0 的生成表现显著提升，尤其在人物动作建模方面展现出此前未有的自然性、连贯性与物理合理性。

它能高保真地合成时序精密的复杂交互场景，比如在双人花滑场景中，模型较好地演绎了同步起跳、空中旋转、精准落冰等一系列高难度动作，同时，生成过程保持了对现实世界运动规律的遵循，避免了以往 AI 视频常见的物理谬误。

T2V prompt：竞技级双人花样滑冰现场。开场低机位跟随冰刀滑行，冰屑与反光细节清晰。进入旋转段，男选手轴线微偏出现失误，旋转节奏短暂塌陷。女选手迅速调整重心，眼神冷静并示意“Stay with me”，主动引导男选手重新对齐节奏。随后无缝衔接托举动作，线条干净稳定。高潮为同步跳跃组合，空中姿态笔直，落冰果断，音画完美对齐。女选手身着深蓝花滑裙，男选手为竞技运动装。整体呈现从紧张失误到冷静完成比赛的完整叙事，体现顶级双人花样滑冰中的技术能力与心理强度。

在更细腻的特写镜头中，无论是微妙的光影折射变化、衣物随风颤动时所呈现的重力感，还是人物与环境之间自然流畅的交互动作，模型生成的画面均展现出高度逼真的细节与严密的物理逻辑，宛如真实实拍。

I2V prompt：女孩优雅地晒衣服，晒完接着在桶里拿出另一件，用力抖一抖衣服。

2.支持多模态“全能参考”，创作自由度大幅提升

Seedance 2.0 支持多模态全能参考，允许组合输入不同文本、图片、视频、音频。模型可精准理解多模态输入内容，并按指令要求参考其画面构图、镜头语言、动作节奏、音效特点等元素进行生成，甚至可以直接参考文字分镜内容，创作自由度大幅提升。

R2V prompt：@图片 1 女孩打破次元壁，连续穿越多幅名画世界，保留真实质感，油画世界呈现 3D 高饱和度动画风格。她站在 @图片 2 的旋转星空下神情激动；接着好奇看着 @图片 3 的情侣拥抱，情侣不好意思地用被子将头遮住；随后与 @图片 4 戴珍珠耳环少女一起自拍；紧接着进入 @图片 5 在两名武士中间穿过；与 @图片 6 一起扮鬼脸呐喊；跑到 @图片 7 蒙娜丽莎身旁，被摸头贴脸；在 @图片 8 女人面前转身换装，二人互行礼；随后与 @图片 9 中的梵高一起画画；最后背对镜头看夕阳，随即转身甜美一笑。对比度高，电影质感，转场丝滑无缝，人物鲜活。

R2V prompt：参考 @图片 1 分镜头脚本，参考 @图片 1 的分镜、景别、运镜、画面和文案，人物角色是 @图片 2，场景是 @图片 3，道具是 @图片 4，创作一段 15s 的治愈片。

3.更强可控性，精准遵循生成和编辑指令

Seedance 2.0 视频生成的可控性也大幅提升。其指令遵循表现出色，即便面对包含大量角色互动和精细动作描述的复杂脚本，也能做到精准还原生成，并保持稳定的主体一致性。同时，模型还具备一定的编导思维，可自主规划镜头语言，并设计视觉呈现模版。

T2V prompt：马年新春家庭影像，像翻阅相册般快速扫过一排家庭成员单人照，每张照片在镜头掠过的瞬间“活过来”：爷爷、奶奶、父母及孩子伴随微表情做出一组专属动作（如发红包、举玩偶、猫咪摇铃）。不同人物间通过快速平移像翻页般连贯衔接。随着背景中红灯笼与春联动态点亮，画面最终汇聚成一张热闹的全家福合照，全员全员齐喊“马年团圆，马上有福”。音效同步配合欢笑声，氛围由温馨转为欢腾，光影自然流动。

同时，Seedance 2.0 新增了视频编辑能力，支持对指定片段、角色、动作或剧情进行定向修改。模型还提供了视频延长功能，可按用户提示生成连续镜头，不止擅长生成，还能“接着拍”。

R2V Prompt：延长视频，镜头跟拍骑棕马的橙衣男人，他加快速度跑到前方一棵开着橙色花朵的大树前，将树枝上的两朵花折下，随后其他人也陆续骑着马跑进镜头内。镜头推进拍摄这个橙衣男人翻身下马，镜头快速环绕他，他转身走向骑着白马的白衣女子，将花献给白衣女子。中国风仕女图风格，3D，欢快民乐，皮影风格，黑白橙色为主调。

4.双声道音频能力，高仿真沉浸音效同步生成

Seedance 2.0 还升级了音频能力，集成双声道立体声技术，可实现高仿真、沉浸式的音效生成。模型支持背景音乐、环境音效或人物解说等音频多轨并行输出，精准对齐画面节奏。

T2V prompt：武侠风格视听大片，竹林里白衣剑客与蓑衣刀客对峙。镜头在两人之间缓慢推移，焦点在雨滴和剑柄之间切换，气氛压抑到极点，只能听见雨声。突然一道惊雷闪过，两人同时冲锋，侧拍镜头极速平移，捕捉泥浆飞溅的脚步。双兵相接瞬间画面切换为极慢动作，清晰展示刀剑震飞雨水形成的圆环激波，以及被剑气切断的竹叶。随后恢复常速两人背对背落地，蓑衣刀客的斗笠裂开，画面戛然而止。

同时，模型的音效设计高度自然，能真实还原磨砂玻璃轻刮声、毛绒织物揉搓声、亚克力板轻敲声、气泡纸轻捏声等细腻音效，强化场景沉浸感。配合严格的音画时序控制，确保音频与视觉动作严丝合缝，可以更好地支持专业级视听内容创作。

T2V prompt：沉浸式第一视角手部 ASMR 视频。近景特写镜头，暖黄柔光下，一双纤细的手依次轻轻触发不同物品：磨砂玻璃轻刮声、毛绒织物揉搓声、亚克力板轻敲声、气泡纸轻捏声、木质梳子梳齿轻划声。手指动作缓慢轻柔，无背景音乐纯自然触发音，画面氛围松弛治愈。

5.全场景广泛适配，降低专业内容制作门槛

针对视频内容生产的多元化需求，Seedance 2.0 展现出极高的场景适配性。无论是商业广告、影视特效，还是游戏动画、解说视频，模型均能提供高质量的生成效果。

通过 AI 生成替代复杂的特效制作和实拍流程，Seedance 2.0 可大幅度降低专业音视频内容的制作成本，缩短生产周期，帮助创作者和企业更好地落地创意。

I2V prompt：画中人物心虚，眼睛左右看了看探出画框，快速地将手伸出画框拿起可乐喝了一口，并露出一脸满足的表情。这时传来脚步声，画中的人物赶紧将可乐放回原位，此时一位西部牛仔拿起杯子里的可乐走了。结尾镜头推进至纯黑背景下的顶光可乐特写，画面最下方出现艺术感字幕和旁白：“宜口可乐，不可不尝！”。

T2V prompt：20 年代爵士俱乐部风格的查尔斯顿舞。身着金色流苏裙的女舞者与穿条纹西装的男舞者进行高强度表演。动作包含极速切分音步法、空中抛接与大幅度摆臂。镜头采用动态跟随拍摄，穿插足部特写动作。重点表现流苏随每一次踢腿疯狂甩动的物理细节、皮肤上的汗水光泽以及烟雾缭绕的复古胶片颗粒电影质感。背景爵士乐队与欢呼观众烘托出狂热的派对氛围。

*注意：以上 Demo 中含人物主体参考的生成视频均为模型能力演示，相关人物主体为 AI 生成或已取得授权。如需使用真人人像作为主体参考生成视频，须经本人验证或事先取得合法授权。

Seedance 2.0 评测结果

综合表现达到行业领先

为客观全面地评估 Seedance 2.0 在多模态场景的综合能力，团队协同影视领域的专家，建立了覆盖音视频生成、参考及编辑场景的综合评测集及相关评测标准。本次评估重点考察模型在多模态参考生成、复杂音视频指令遵循、复杂运动稳定性、专业镜头语言、音视频表现力及视听一体化协同等维度的表现。

1.文生视频、图生视频评测

在视频维度，Seedance 2.0 处于业内领先水平。其运动稳定性、指令遵循及画面美感维度均有显著提升，有效改善了结构准确性和崩坏问题，生成的复杂动作流畅细腻。模型可精准呈现高张力大动作与精细的微表情，并支持专业级组合运镜与叙事节奏控制。

针对长脚本及开放性指令，模型能较好响应并合理发挥。同时，其生成视频具有一定的影视化美感，物体材质、光影构图及服化道设计均表现出较好的完成度。不过，Seedance 2.0 仍需持续改进细节稳定性、拟真度及动态生动性。

在音频维度，Seedance 2.0 依然表现强劲，音频表现力大幅提升。其双声道音频层次丰富、细腻，并可根据场景匹配更适合提示词情境的音效或曲调旋律。相比上一版本，模型的视听一体化体验进一步强化，台词、音效、背景音乐和画面内容更加契合，同时，针对中文方言、戏曲及演唱场景，其指令响应准确度明显提升。不过，Seedance 2.0 仍需继续解决多人口型匹配、偶现音频失真等问题。

Seedance 2.0 文字生成视频能力评测

Seedance 2.0 图片生成视频能力评测

2.多模态参考生成评测

Seedance 2.0 有着行业领先的综合表现。模型覆盖的参考任务更全面，支持多模态参考生成、视频编辑、视频延续等多种创作场景。同时，其对参考内容的理解深度和响应精度具备优势，在编辑任务中，相比其他模型，Seedance 2.0 指令响应更加完整，生成画面更加真实。在一致性表现上， 模型在主体形象与声音还原方面表现相对较好，尤其在动作逻辑、特效风格及剧情叙事的参考一致性上显著占优。不过，模型在多主体一致性、文字还原精度及复杂编辑效果上，仍有优化的空间。

总结与展望

从 Seedance 1.5 的“音画一体同步生成”，到 Seedance 2.0 的“统一多模态音视频联合生成”，Seedance 系列始终希望，通过极致、统一的算法框架，实现对现实世界的精准还原。

依靠海量世界知识、稀疏架构的效能优势，以及多模态联合训练涌现的强大泛化能力，我们在这一版本中解决了物理规律遵循及长效一致性的难题，同时也赋予创作者前所未有的自由度，让音视频生成的质量和可控性达到专业生产场景要求。

不过，Seedance 2.0 还远不完美，其生成结果仍存在诸多瑕疵。未来，我们将持续探索大模型与人类反馈的深度对齐，让更高效、更稳定、更具想象力的音视频生产工具，服务更多创作者。