智东西

作者 | 李水青

编辑 | 心缘

智东西2月12日报道，千呼万唤始出来，今天午间，字节跳动终于正式发布其视频创作模型Seedance 2.0。

▲Seedance 2.0已正式上线豆包

字节称，Seedance 2.0采用统一的多模态音视频联合生成架构，支持文字、图片、音频、视频四种模态输入，集成了目前业界最全面的多模态内容参考和编辑能力。该项目的更多的技术测评细节及大量案例Demo也随之公布。

在过去几天里，这款在灰度测试阶段的模型已经火遍全球。在国内，《黑神话·悟空》背后的游戏科学创始人兼CEO、制作人冯骥盛赞其为“地表最强”，并称“AIGC的童年时代，结束了。”知名导演贾樟柯在昨晚也发微博称：“Seedance 2.0确实厉害，我准备用它做个短片。”在各大平台，网友用Seedance 2.0制作的视频作品已出现井喷之势。

▲知名导演贾樟柯评论Seedance 2.0（图源：新浪微博）

在国外，a16z的合伙人Justine Moore感叹“AI视频模型的图灵测试已经被攻克了”；就连马斯克今日也跳出来赞叹“事情正快速发生”，意指技术发展太快了；许多电影制作领域专业人士表示“这个模型让人感到害怕”、“所学习到的90%技能Seedance2.0都能实现”。由于该模型在部分国家和地区尚未开放，甚至不少海外网友费尽心思“翻墙”注册中国手机号来体验Seedance2.0。

▲马斯克评论Seedance 2.0（图源：社交平台X）

Seedance 2.0的爆火颇有当年Sora降世时的冲天态势。而这款模型到底有什么实质性的技术提升？随着字节官方项目细节的公布，问题也有了更明确答案。

相比1.5版本，Seedance 2.0的生成质量大幅提升，其在复杂交互和运动场景下的可用率更高，物理准确度、逼真度、可控性显著增强，更加贴合工业级创作场景的需求。

其核心亮点如下：

1、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。

2、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。

3、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。

4、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。

这与智东西此前在灰度测试中的一手实测体验不谋而合，我们尝试了从日常场景到超现实场景的多种创作，发现模型对复杂提示词的理解能力明显增强，同时音画同步和视觉效果的呈现也更自然，与前代产品跨代升级明显；同时，模型生成目前也会出现一些细节稳定性不足、不完全符合物理学规律、多人口型匹配欠缺等问题。

目前，Seedance 2.0已上线即梦AI、豆包、火山方舟体验中心等平台。

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。

一、Seedance 2.0评测结果一览，运动稳定、指令遵循显著提升

首先来看看Seedance 2.0评测情况，字节联合影视专家构建多模态评测体系，聚焦参考生成、指令响应、运动稳定、镜头语言及音画协同等维度进行了模型评测。

1、运动稳定、指令遵循提升，细节稳定及拟真度仍待优化

视频方面，Seedance 2.0在运动连贯性、指令还原及画面质感上进步显著，复杂动作细腻、结构崩坏减少，可精准呈现大动态场景与微表情，并支持专业运镜与叙事节奏。长脚本响应合理，画面材质、光影与服化道完成度较高。但细节稳定性、拟真度与动态生动性仍有提升空间。

音频方面，双声道音质层次丰富，其可依据提示词适配音效与旋律，视听协同更自然，方言、戏曲及演唱场景的指令识别明显优化。当前短板集中于多人口型同步与偶发音频失真。

▲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、多模态编辑指令响应更完整，多主体一致性待升级

Seedance 2.0覆盖更全面的多模态参考与编辑任务，对参考内容的理解深度和响应精度优势明显，编辑任务指令完整度与画面真实感领先竞品。

其在主体形象、声音还原及动作逻辑、特效风格、剧情叙事等方面一致性表现突出，但多主体一致性、文字还原及复杂编辑效果仍需优化。

▲Seedance 2.0多模态任务表现评测

二、10大官方案例一览：多模态输入是亮点，多人竞技运动也能生成

除了测评成绩，字节还公布了一大批Seedance 2.0的视频生成案例。

从这些官方案例可以看到，Seedance 2.0突破前代模型的局限，能实现多人竞技等复杂运动生成，音频沉浸感提升，支持多模态输入。创作流程更接近导演级操控，兼具自然度与效率。

1、稳定呈现复杂运动和交互，真实还原物理规律

以双人花滑为例，模型高保真还原同步起跳、空中转体、落冰等复杂时序动作，且严格遵循现实运动规律，有效规避了此前AI视频常见的物理失真。

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，模型精准还原了光影折射、衣物质感重力反馈及人物环境交互等细微变化，画面细节逼真、物理逻辑严密，几可乱真。

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支持图文、音视频等多模态组合输入，能精准解析并调用其中的构图、运镜、动作、音效等元素，甚至可直接遵循文字分镜生成内容，从而拓展创作自由度。

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可控性显著增强，对复杂脚本的指令还原精准，且能维持主体一致。模型初步具备编导能力，可自主规划镜头与视觉模板。

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。

Seedance 2.0新增视频编辑功能，支持定向修改片段、角色、动作或剧情，并可按提示延长视频、生成连贯镜头，实现从“生成”到“续拍”。

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音频能力升级，采用双声道立体声技术，支持背景乐、环境音、解说等多轨并行输出，音效高保真、沉浸感强，并与画面节奏精准对齐。

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。

模型音效高度拟真，其可细腻还原玻璃轻刮、织物揉搓等细微声响，沉浸感强。音画时序严格同步，满足专业视听创作要求。

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

Seedance 2.0场景适配能力强，覆盖商业广告、影视特效、游戏动画等多领域。

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。

结语：AI视频生成从“玩具”走向“工具”

随着Seedance 2.0发布，AI视频生成正加速从“玩具”向“工具”完成关键一跃。产业层面，其统一多模态架构与工业级可控性试图击穿影视、广告、电商等内容生产的高成本壁垒。正如冯骥所说，AIGC的“童年时代”确已结束，赛道竞争正从参数竞赛转向场景落地。

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”，字节在新版本中解决了物理规律遵循及长效一致性的难题，同时也赋予创作者更高的自由度。同时，字节团队称Seedance 2.0也仍未达到完美，其生成结果在细节稳定性、拟真度及动态生动性、物理规律遵循、多人口型匹配等方面仍有优化进步的空间。