什么是 Seedance 2.0？含示例的完整指南

来源：Aleena Amir 在 X

由于字节跳动尚未发布 Seedance 2.0 的权威英文版发布说明，大多数公开规格和功能介绍都来自关于即梦上线的中文报道的整理与转述。许多第三方封装网站上的“参数表”似乎也是在互相引用相同来源，而非官方文档。

根据中文媒体测试及早期合作方文档，Seedance 2.0 主打 2K 影院级视频输出，并在角色一致性方面表现出色。

如何获取 Seedance 2.0？

官方渠道方面，Seedance 2.0 已在字节跳动的即梦内上线，对中国大陆地区的付费会员开放（据媒体报道，门槛为 ≥69 元人民币等档位）。现实中，即梦的访问以中国为中心，账号验证与本地支付方式通常是门槛所在。

Seedance 2.0 的落地页已可见。但实际使用目前仍受限：在全面开放前，多数用户会看到“Coming Soon”的提示，业内消息预计全面上线时间在 2026 年 2 月 24 日左右。 

与此同时，国际用户中最常见的变通方案是 ChatCut，这是一款第三方 AI 视频应用，已直接集成 Seedance 2.0，可在无需中国手机号的情况下提供全球早期访问。目前可在等候名单登记。

Seedance 的工作原理是什么？

与Sora 2 和 Veo 3.1 类似，Seedance 2.0 采用扩散模型。这意味着它从静态噪声帧开始，通过多步渐进式变换，逐步“显影”出连贯的视频序列。 

不过，与早期将视频视作无声、单一镜头的文生视频模型不同，Seedance 2.0 被设计为能够在一次生成中同时处理声音、叙事结构与复杂视觉参考的“多模态导演”。

用四模态输入来“执导”场景

过去，要让 AI 精准生成您想要的内容，常常需要“提示工程”，也就是编写冗长复杂的文字描述，并寄希望于 AI 能读懂。Seedance 2.0 用四模态输入系统取代了这种猜测。

“四模态”意味着 Seedream 能处理文本、图像、视频与音频输入。四模态编码器并非一个大漏斗，而是为不同数据类型分别预训练的编码器集合：

• 文本由基于大语言模型的编码器提取语义
• 图像被编码为视觉特征标记（patch）
• 视频参考片段被编码为时空标记（3D patch）
• 音频被编码为波形或谱图标记

最终，四种原始输入都会被转换为统一的潜在向量语言，以数学方式表征输入。

用多镜头逻辑规划叙事

旧一代 AI 视频工具的另一大痛点是只能生成“单镜头”。如果您要一段故事，AI 会尝试把所有内容硬塞进一次连续且无剪辑的拍摄里。视频时长通常只有几秒，这往往导致诡异的扭曲，或提示中的部分要求被忽略。 

Seedance 2.0 通过引入具备多镜头逻辑的“叙事规划器”来解决这一问题。在生成首个像素之前，这个规划器就像分镜师一样，先阅读您的提示，再把它拆解为一连串彼此独立的机位镜头。 

例如，它可能先给出城市的大全景，然后切到人物的中景，最后特写其面部，而无需您逐条详细指示。随后它会按顺序调度这些镜头的生成。

它通过共享一致性数据来确保人物的脸部、服装与光线在每一次切换中都保持一致。最终效果更像一段经过剪辑的电影序列，而不是粗糙、幻觉式的视频片段。

将扩散与两个 Transformer 模型结合

大多数 AI 视频模型像无声电影机：先出视频，再用单独工具加声音。这常会导致“漂移”，比如脚步声或关门声与画面的动作对不上。 

Seedance 2.0 用双分支扩散 Transformer 解决了这一点，其中一个Transformer专注于视频，另一个专注于音频。

您可以把它想象成两侧大脑半球的高度协同。一侧全力生成视频帧，另一侧生成音频波形。因为二者在创作过程中持续通信，所以当视觉事件发生（比如玻璃破碎），相应的声音会在毫秒级同步生成，精确对齐。

Seedance 2.0 关键特性

了解了工作原理，接下来看看 Seedance 2.0 能做什么。其中两项最令人兴奋的功能是其四模态“全方位参考”系统与原生多镜头分镜。

多模态全方位参考系统

Seedream 2.0 让您用示例展示所需效果，而不仅仅是用文字描述。您可以上传最多 12 个文件（9 张图片、3 段视频、3 段音频），并用 @ 引用系统为其分配具体角色。

• 需要某个特定演员？上传他的照片并标记为角色参考。
• 想要某种特定镜头运动？上传示例视频并标记为运动参考。
• 有特定节拍？上传一首歌并标记为节奏参考。

模型会分别处理并组合这些输入，让您用具体素材来“执导”场景，而不是靠运气。

为更直观地展示其实际效果，下面是一个示例：

提示词：“将宣传片 @Video1 里的模特替换为一位西方面孔，外观参考 @Image2。把所有口语改成英文。”（来源：SD AI Animation Storyteller 在 X）

结果相当惊艳。Seedance 完整执行了指令，几乎完美还原了参考模特的外观，并在将音频翻译成英文时对口型进行了调整。值得一提的是，眼镜的反光行为也被完整保留。

多镜头分镜

多镜头分镜功能让 Seedance 2.0 同时扮演导演与剪辑师。其工作方式如下：

1. 模型会自动把单一叙事拆解为多个相互衔接的镜头
2. 为每个镜头选择合适的机位类型。
3. 最后将镜头编排到一起，并添加镜头间转场。

提示词：“《复仇者联盟 4：终局之战》大决战场面，但灭霸突然叫停并向所有超级英雄道歉。所有人立刻表示接受并转身离开，但蜘蛛侠说：‘不行，他可害死了成千上万的人！’于是大家又冲回来在他倒地时一顿暴揍。”（来源：Christopher Fryant 在 X）

这是分镜实战的一个好例子。开场大全景、对灭霸的推进、向雷神的俯仰摇镜、以及硬切到蜘蛛侠——这些镜头既连贯又符合复联的观感，而且无需在提示词中显式要求这些机位运动。

原生音效生成与语音克隆

直到不久前，原生音频生成本身就堪称“杀手级功能”；如今，它更像是标配。尽管如此，Seedance 2.0 不仅能同步生成视频与音频，还涵盖多语言对白、环境音与与动作挂钩的音效。

借助音频输入能力，一个非常酷的功能是语音克隆。据称它支持多说话人，因此每个场景最多可有 3 个自定义人物音色（对应音频文件上限）。用户可以上传真实声音来引导口音、语气，甚至多角色对话。

前面的示例已经展示了语言与对口型的能力，下面看看 Seedance 如何从零生成背景音乐与音效。

提示词（使用参考文件）：“@Image1 中的女子走到镜子前，看着自己的倒影。她的姿势参考 @Image2。沉思片刻后，她突然崩溃并开始尖叫。抓住镜子的动作，以及崩溃与尖叫时的情绪与表情，应完整参考 @Video1。”（来源：Feyber 在 X）

该示例显示，模型能在同一场景中处理多种相互冲突的情绪，不仅体现在画面上，也体现在声音上。 

场景开头忧郁的背景音乐与角色的面部表情契合，随后在她愤怒地朝镜子尖叫时，音乐转为更偏惊悚的走向。背景音乐不会干扰她的尖叫或抓镜子的声音，反而起到了很好的衬托。

高分辨率电影质感

Seedance 最高支持 2K 输出，提供多种纵横比与 24–60 fps 的帧率（取决于平台）。其通过关注如下细节来强调电影美学：

• 细致质感
• 稳健的全局光照
• 类胶片的调色风格

Seedance 2.0 的另一个研发重点是对物理规律的尊重。二者是相辅相成的，从下一个示例中可以看出：

提示词：“夜幕下的霓虹都市一段高能电影级动作长镜头，镜头跟拍一名独行者在雨水浸透的街道上疾奔，警用无人机与车灯一掠而过；快切于坚毅眼神的近景、踏水溅起的靴子特写与惊险擦身而过的车流大全景之间；镜头鞭甩，他翻越路障、滑过车盖、避开身后爆炸火花；强烈的运动模糊与动态光影；手持质感，猛烈推进；戏剧化反差，快速走位，凌厉的打击感；最后一个慢动作节拍，他从楼顶一跃而下，城市灯火在脚下拉出光带。”（来源：Txori 在 X）

这个结果看起来就像动作片里的场景。镜头运动、光线，甚至水坑溅起水花的物理效果都很到位。唯一说不通的是，角色刚在街上奔跑，随后就从楼顶一跃而下。

另一个明显却耐人寻味的点是，虽然提示词只写了“独行者”，最终人物却成了基努·里维斯的翻版。 

结合带有强烈动作元素、反乌托邦风格的提示词（“霓虹都市”“雨水浸透”“警用无人机”），您大概能猜到灵感源头。剩下的问题只是它更像黑客帝国、疾速追杀，还是 赛博朋克 2077（或三者的混合）。

Seedance 2.0 表现如何？

说实话，功能介绍中的视频已经足以说明问题。在本节中，我想聚焦于视频生成的两个老问题，以及 Seedance 2.0 的优势如何缓解它们。

告别对“神奇提示词”的依赖

第一代 AI 视频的一大痛点是黑箱式提示工程：由于语义理解薄弱、可控性有限，创作者不得不摸索“神奇提示词”和各种土法措辞来勉强获得可用结果。

这正是全方位参考系统与多镜头分镜发挥作用的地方。通过将素材映射到具体角色，再配合擅长跨镜头理解上下文的模型，无需“极限堆提示词”也能得到令人满意的结果。同时还能避免提示词过载（以及过度压垮模型）。

一个很好的例子是使用 3×3 图片网格。给出 9 张代表场景内不同镜头的参考图，即使基本不写提示词，也能得到不错的输出。来看这个输入网格配上极其简洁提示词后的返回：

提示词：“根据分镜生成视频。”（来源：Mr.Iancu 在 X）

再次呈现了非常出色的结果。模型能自然理解场景语境，并补足各帧之间的空白。唯一不合理之处是视频中段，似乎有数帧里其中一名袭击者站在她身后的角落里。

我以为自己还发现了另一个小错误：桌子是立着的，给不了角色任何遮蔽——但仔细看左下角就会发现，这个问题其实早就出现在图片网格里了，而该网格是由Nano Banana Pro 生成的。

解决“废片率高”的问题

在早期模型中，视频生成常常像买彩票，想靠撞大运得到一条“刚刚好”的片段，而这期间会产出大量（且昂贵）的“废片”。自动多镜头分镜很好地缓解了这一点，能将叙事类提示词有效拆解为多个镜头。

与早期模型相比，Seedance 2.0 在身份与场景一致性上有显著提升。这大幅减少了恼人的视觉伪影，比如角色漂移、造型突变或闪烁现象，这些常常会让原本有潜力的片段变得不可用。

提示词：“一部关于一只水獭驾驶飞机的自然纪录片。”（来源：ChinaTechTrend 在 X）

Seedance 2.0 的局限性是什么？

在了解了上述优势之后，再来看看 Seedance 2.0 的一些局限性。

涉及玻璃的复杂分层场景

有报道称，Seedance 2.0 在处理玻璃后多层动态元素时会比较吃力。客观说，这对任何视频生成模型都是难题（而且并不常见，属于边缘场景）。 

不过，我能找到的唯一示例是在这段 YouTube 评测中讨论的。它展示了“典型的餐馆外景，通过玻璃向里看，角色在室内，外面有行驶的车辆，赛博朋克风”。输出在某些部分看起来非常自然，比如窗上的雨滴与呼吸动画，但整个场景出现了不自然的整体移动（仿佛‘绑在一辆车上’）。

看起来，角色身前后都有玻璃，且第二层玻璃后还有背景景物，这种复杂度对 Seedream 2.0 来说有些过载，它难以再区分静止背景与移动的车辆。

在先前那个展示模特佩戴眼镜的例子里，镜片的透明与反射都很到位，但需要注意：a）那是一个简单得多的场景；b）它使用了参考视频，模型可据此套用模板。

细微不一致与背景文字

有些不一致更多是对编码上下文的误读，而不是生成质量本身的问题。举个例子：在被要求创作一段权力的游戏与老友记的跨界场景时，它误插入了老爸老妈的浪漫史中的一个角色：

提示词：“《老友记》演员阵容主演《权力的游戏》情景喜剧。钱德勒饰演乔佛里国王。乔伊担任首相。”（来源： Gavin Purcell 在 X）

与基努·里维斯的例子类似，您能猜到原因：两部剧都是非常相近的情景喜剧，因此它们的向量表示会非常接近。

尽管在快速运动的场景中（想想基努·里维斯那个例子）背景文字通常仍可读，但在某些情况下它们会显得略微像素化。比如，在这段孩子对位勒布朗·詹姆斯得分而走红的篮球视频里，看看广告牌上的字：

提示词未知（来源：Serge Bulaev 在 X）

整体仍然相当出色：球员动作非常真实，镜头始终聚焦在运球的女孩身上，阴影与背景噪声也与画面对应。可惜该示例所用的提示词并未公开。

音乐演出类场景

原因难以精确界定，但我发现涉及音乐演出的场景（如演唱会）仍带着些许“恐怖谷”感。下面是一个 K-pop 演唱会场景的例子：

提示词：“史诗级 K-pop 演唱会场景——戏剧化舞台、灯光、特效与能量，不呈现真实个人。”（来源：Ankit Patel 在 X）

这里有几点值得注意。首先，声音包含歌曲（带有合适的回响与人群噪声）。不过就我个人而言，听起来有些木讷。乐队成员的动作也略显别扭，左侧的和声似乎与舞台有些融合错位。

Seedance 2.0 与竞品对比

来看 Seedance 2.0 与其三大竞品的对比。

Seedance 2.0 vs Sora 2

Sora 2 的一大卖点是其“现实模拟器”式架构，具有深度的物理理解，擅长建模重力、流体动力学与物体持久性。虽然这并非 Seedance 2.0 的主要侧重点，但从首批结果看，它并未在这方面明显落后于 Sora 2，具备竞争力。

另一方面，Seedance 的四模态参考系统是 Sora 所缺失的。Sora 仅支持文生视频与图生视频，因此在克隆特定风格或角色方面相对静态；相比之下，Seedance 可以复制整段场景的运动，或进行语音克隆。

虽然 Sora 2 能生成高质量视频，但它将音频视为独立的次级流程。Seedance 2.0 的双分支 Transformer 架构从根本上不同，它在一次生成中同步产出音视频。这使得同步更紧密、更具逐帧精度（如脚步声与落脚时刻严丝合缝），优于 Veo。

Seedance 2.0 vs Google Veo 3.1

Veo 3.1 通过遮罩编辑工具为导演提供精确控制，用户可以选择并修改视频中的特定区域（例如更换角色服装），而不影响其他部分。它还提供特定的机位指令（摇、俯仰、变焦），以模拟传统电影拍摄技巧。 

Seedance 2.0 的控制方式则不同，依托其四模态参考系统。相较于使用遮罩编辑，Seedance 用户可以通过上传参考视频与图片来克隆风格或运动。如果说 Veo 是数字剪辑台，那么 Seedance 更像是“风格迁移”引擎的强化版，更适合复刻某种特定氛围或机位运动。

与 Sora 2 类似，Veo 3.1 在音视频同步方面不及 Seedance 2.0。

Seedance 2.0 vs 可灵 3.0

两者在角色一致性方面都很强，但实现思路不同。可灵 3.0 使用 Omni Mode 来“绑定”特定角色（面孔、服装），并在多镜头或多场景中复用。本质上，它会创建一个可通过 @ 引用调用的素材库。 

与 Seedance 2.0 的四模态参考系统相比，差异在于您是想“从外部克隆”某些东西，还是想保持已生成素材的完整与一致。可灵更适合为系列内容构建可复用的演员班底，而 Seedance 更擅长把既有视频片段的特定氛围或机位运动“迁移”到新的主题之上。

可灵 3.0 对生成对白的语气与情绪（如“耳语”“兴奋”“讽刺”）提供更精细的控制，并原生支持多语种语音，效果相当出色。虽然其音视频同步优于 Veo 3.1 与 Sora 2，但 Seedance 2.0 仍略占上风。

结语 

字节跳动 Seedance 2.0 的首批结果非常亮眼，预示着 AI 视频生成的又一次跃迁。尤其是四模态输入与自动多镜头分镜的组合，有望在广告、原型制作、影视与游戏等众多场景中成为真正的“游戏规则改变者”。

然而，这种能力也带来了即时的摩擦。该模型能从一张照片克隆声音，并可能无意间生成受版权保护的人物（如未提示却生成“基努·里维斯脸”），这已经迫使字节跳动紧急暂停部分“真人”参考功能并收紧身份验证。

值得关注的是，Google 与 OpenAI 等主要玩家将如何回应 Seedance 的发布，以及全球访问限制是否会最终放开，从而摆脱对第三方 API 封装的依赖。我们将持续跟进，一旦获得直接访问权限，将第一时间带来上手评测，亲测该模型的各项能力。

如果您对支撑 Seedream 2.0 这类高级工具的底层概念感兴趣，推荐报名我们的 AI Fundamentals 技能路径。