Seedance 2.0 Deep Evaluation: Stable in Complex Scenarios, Even ASMR?

太熱鬧了！整個一個現象級 show time～

前腳字節剛上線 Seedance 2.0，後腳直接全網現象級刷屏！！！

這邊馬斯克怒贊，那邊美國導演直呼好萊塢要完蛋了。

甚至急得不少老外狂催更：啥時候能開放全球使用？咋註冊中國賬號？在線等！挺急的！

如此之火爆，如此之 amzing，那咱高低也得上手搓一把試試。

看我搓的這個全網超火的「貓咪大戰哥斯拉」同款視頻，小貓一躍，直接一個重拳出擊～

再來看這個 AI 版《F1 狂飆飛車》，轉速錶飆升、剎車尖嘯，太有好萊塢內味兒了嗷：

再來試試 Chinese kungfu 大戰鋼鐵俠，倆人一來一回近身過招，音效刺激感拉滿，太帶派了！

腦洞大開的網友們更會整活兒，快看下面這位網友做的一鏡到底，鏡頭從街頭一路滑進地鐵站、鑽進車廂，超有夢核感：

還有這位網友，只是上傳了一張漫畫截圖，Seedance 2.0 直接給他整出了一整段劇情視頻，別太 amazing 啊我説！！

老實説，Seedance 2.0 確實對鏡頭語言理解更到位也更可控了，參考能力直接 next level，很適合咱日常做多鏡頭和精細化控制使用～

老規矩不廢話，咱直接邊測邊嘮，模型到底能不能打，讓大家來評！！！

鏡頭理解更到位了

複雜場景也能穩住

我不知道 uu 們有沒有遇到過跟我一樣的撓頭瞬間：

那就是咱們日常做 AI 視頻時，一旦涉及涉及多鏡頭的提示詞，主體特徵就會很容易「發飄」。

舉個栗子，搓出來的視頻人物前後長得不一樣，場景和鏡頭風格不統一等等，最後基本都會面臨反覆抽卡的戲碼……

歸根結底，還是因為模型的一致性和穩定性有 bug。

這次 Seedance 2.0 一個最明顯的升級點就落在多模態輸入形式上，咱可以輸入圖像、視頻、音頻、文本四種混合內容形式，模型在畫面一致性上的表現也更穩更可控了～

先來點開胃菜，最近網上邵氏武俠 AI 視頻火得不行，於是我直接輸入一張武林中人對打的動作寫真照：

在具體提示詞的設計上，需要畫面裏的男女角色在對話、情緒變化、動作展開到再次對峙之間形成一條完整的衝突鏈，同時需要 AI 在多鏡頭切換中穩住人物外形，並在整體風格和情緒基調上保持一致！

從下面的效果看，在大幅動作和多次鏡頭切換過程中，即便人物表情和鏡頭角度發生變化，但男女主的面部特徵依然穩定，沒有明顯變形的問題，不戳不戳！

咱再來玩點有意思的，這回咱讓蒙娜麗莎在盧浮宮上演一出盧浮宮偷喝可樂的《大戲》。

在提示詞設計裏，蒙娜麗莎需要始終固定在原有畫像中完成掏可樂、喝可樂這樣幅度不小的動作，還要同步出現説話表情，對模型的穩定性要求一下子就拉高了：

你還真別説，蒙娜麗莎這偷喝可樂時鬼鬼祟祟的小眼神和動作還真挺到位，説話時面部一致性也穩住了，手扶畫框的動作沒有出戏，過關過關！！

咱再來玩個首尾幀玩法，馬年到了正好應應景，我上傳了兩張畫風完全不同的馬兒奔跑圖片，讓這匹馬在同一個畫面裏完成一次大變身：

有點東西……從水墨風一路過渡到油畫風，再到像素風，整體銜接得很自然，音效和變身動作也卡得挺準！！！

總的來説，我個人感覺模型在畫面一致性和可控性這塊的表現還是蠻強的，日常用來做多角色、多鏡頭的視頻製作場景很合適～

在使用時建議大家儘量多上傳一些不同角度、不同參考元素，這樣模型整體的輸出水準會更穩一些～

一鏡到底也能拍

在這次更新中，Seedance 2.0 還有一個大功能亮點就是——「一鏡到底」。

但是這個一鏡到底和咱們認知的不太一樣，它主要強調的是我們可以給模型不同的參考畫面，模型可以把這些畫面用一個視頻串聯起來～

這次，咱玩點未來科幻感的，我直接給模型餵了三張賽博味拉滿、視角各不相同的一百年後的地球城市參考畫面：在提示詞設定上，需要模型在同一視角里把圖一到圖二再到圖三順暢串起來，中間還要完成急轉、俯衝、拉昇等大幅運鏡，對鏡頭銜接的邏輯和連貫性要求更高：

於是乎，我就得到了一個無人機視角的未來城市穿越大片，別説，這鏡頭畫面的超絕抖動感還挺帶派？？？

先説説優點，輸入中涉及的三個參考鏡頭確實都給我完整還原在視頻裏了，而且確實是一鏡到底，這沒得説。

但一個算不上缺點的缺點的是——圖一和圖二的畫面銜接太硬了點，我放慢給大家看：

其實我個人更理想的情況是，在圖一和圖二之間應該加一段狹窄空間作為過渡，這樣再切到圖三時，整體的連貫感會更好，也不太會有割裂的感覺。

（大家覺得呢，有啥更好的解決方式嗎，歡迎留言～）

支持完整劇情輸出

在一致性和穩定性方面，Seedance 2.0 還有一個本事是能自己——腦補劇情。

它不只是基於首幀往後生成畫面，而是可以結合多份參考素材和提示詞，直接跑一整段完整的「劇情輸出」。

這次我乾脆讓 AI 按一套六宮格漫畫，直接創作一支完整的劇情向動漫視頻：

將【@圖片 1】以從左到右從上到下的順序進行漫畫演繹，保持人物説的台詞與圖片上的一致，分鏡切換以及重點的情節演繹加入特殊音效，整體風格詼諧幽默。

emm…畫面本身倒是沒啥問題，六個畫面都被完整還原了出來。

問題主要出在文字上，不少字體和原漫畫裏的文案對不上，而且文字出現的時機也和畫面不同步。

我猜可能是因為文字本身不屬於畫面主體的一部分，相較於人物、動作和場景這些畫內元素，漫畫裏的文字對模型來説優先級明顯更低。

所以在多鏡頭和節奏切換時很容易被當成可變元素處理…

果然啊，人不能既要又要還要，AI 也是同理。（doge

視頻長度/音效也能 diy

除了基礎的畫面鏡頭能力外，Seedance 2.0 在視頻延長和音效編輯上也上了一個 level。

先來説説視頻延長。

uu 們需要注意的是，它這個延長並不是單純把視頻時間拉長，而是我們可以在提示詞裏給出首幀畫面，並可以明確「標註出」需要生成的視頻時長。

這次我給 AI 喂的是一張 3D 風格、正在奔跑的甜甜圈圖片，要求它延長生成一段 10 秒的視頻，並在過程中完成翻滾、跳躍、滑行等一整套連續動作：

好好好，視頻時長完全沒有問題，説 10 秒人家就生成 10 秒，一秒不多一秒不少，音效還賊動感，動次打次動次打次～

但是，為啥這甜甜圈是倒着跑的？？？（我不太理解

最後呢，咱來説説 Seedance 2.0 在多模態上的另一個能力——音效。

官方強調的並不只是能配音，而是音色準確度超牛，同時和人物的貼合度也更高。

我們先來試一個非常考驗音效能力的場景——吃播（流哈喇子，看看模型能不能準確還原不同食物咀嚼的聲音：

從下面生成的效果看，AI 把吃炸雞的咔嚓聲、脆脆的黃瓜聲、披薩拉絲的聲音以及可樂的氣泡音全都 1:1 還原了，不錯不錯！

咱們再來試一個 ASMR 的場景，這回我們讓 AI 在同一個視頻中演繹出不同物體的觸發音，看看會是啥效果～

除了第一個水晶碰撞聲稍微有點出戲，其餘幾乎都做到了 1:1 還原。金屬、玻璃、絲綢的質感都很真實，層次也在線：

我猜水晶聲音比較出戏的原因，主要是因為模型直接按提示詞生的標準音效，而沒有根據場景進行思考，所以出來的聲音反而像金屬碰撞的聲音，而不是水晶摩擦音…

雖然網上鋪墊該地都是 Seedance 2.0 的各種評價，但這次我實打實用下來的感受就是：

如果單説鏡頭理解能力（包括但不限於畫面的一致性、可控性、連貫性），Seedance 2.0 的表現確實有點超出我的預期。

哪怕用的是很大白話的提示詞，也能跑出相當理想的效果，很適合咱用在日常的 AIGC 視頻的畫面生成創作中去。

小 bug 也有，比如像多宮格漫畫的劇本輸出，模型不見得能 1:1 還原每個場景畫面，此外，音效上可能也偶爾會有出戏的問題。

日常如果用來做一些商業場景、AIGC 日常創作而言，已經夠用而且好用了，還是很驚喜的～

這不嘛，有網友用完，都直呼好萊塢要完蛋了，看來對模型的表現甚是滿意。（doge）

目前，Seedance 2.0 已經在豆包 App 和即夢裏上線，感興趣的朋友可以直接上手搓搓看～

（ps：親測，這兩天建議大家在豆包體驗，即夢現在生成一個視頻要排隊好幾個小時，沒招了…)

本文來源：量子位