ByteDance entrenó Seedance con un extenso corpus de coreografía y material de interpretación, lo que le otorga una comprensión excepcionalmente profunda de la articulación de las articulaciones, la transferencia de peso y el ritmo temporal. El modelo rastrea 137 puntos clave del esqueleto por fotograma, aproximadamente el doble de lo que usan la mayoría de los competidores. Esto significa que movimientos complejos como piruetas, congelaciones de breakdance y coreografías grupales sincronizadas se renderizan con una colocación anatómicamente correcta de las extremidades, en lugar de las poses distorsionadas habituales en los modelos de vídeo de propósito general.

Seedance 1.5 Pro genera vídeo y audio mediante dos ramas de difusión paralelas que comparten un espacio latente conjunto. La rama de vídeo gestiona los fotogramas visuales mientras que la rama de audio produce sonido sincronizado, ambas condicionadas por el mismo embedding del prompt. Al co-generarse en lugar de ejecutarse de forma secuencial, los movimientos labiales se alinean al habla con precisión de milisegundos y los pasos se escuchan exactamente cuando los pies contactan el suelo.

Excelente. ByteDance diseñó el modelo con la salida vertical 9:16 como formato principal, no como un recorte del 16:9. La velocidad de generación es de 30-60 segundos para un clip en 1080p, lo suficientemente rápida para la creación iterativa de contenido. La sincronización de audio integrada permite generar un clip de baile con música sincronizada en un solo paso, eliminando el paso manual de alineación de audio que requieren otras herramientas.

El sistema de seguimiento del esqueleto se generaliza más allá del baile. Las secuencias de artes marciales, los flujos de yoga, los momentos destacados del deporte y los gestos teatrales se benefician todos de la misma fidelidad de movimiento. Las expresiones faciales se capturan con especial matiz, incluyendo microexpresiones alrededor de los ojos y la boca que transmiten emoción durante el diálogo o las escenas de interpretación.

El bloqueo física-audio vincula la generación de sonido a los eventos físicos del vídeo. Cuando una pelota rebota, el sonido del impacto se activa exactamente en el fotograma del contacto. Cuando un bailarín aplaude, el pico de audio se alinea con la colisión de las manos. Esto se gestiona a nivel de modelo durante la generación, no se añade en postproducción, por lo que la sincronización se mantiene incluso en eventos rápidos o superpuestos.

Sí. La rama de audio maneja de forma nativa los conjuntos de fonemas del inglés, chino, japonés y coreano. Las formas labiales se generan a partir del contenido fonético del prompt o del audio de referencia, de modo que los movimientos bucales coinciden con el idioma específico que se habla en lugar de usar patrones genéricos de apertura y cierre.

Aproximadamente 10 veces más rápido. Un clip en 1080p a 24 fps que tardaba entre 8 y 10 minutos con Seedance 1.0 ahora se completa en 30-60 segundos. ByteDance lo logró mediante optimizaciones arquitectónicas en el programador de difusión y un mecanismo de atención más eficiente, sin reducir la calidad de salida.