ByteDance обучил Seedance на масштабном корпусе хореографических и перформативных записей, что обеспечивает модели глубокое понимание суставной артикуляции, переноса веса и ритмического тайминга. Модель отслеживает 137 скелетных ключевых точек на кадр — примерно вдвое больше, чем у большинства конкурентов. Это означает, что сложные движения — пируэты, брейк-данс фризы и синхронная групповая хореография — рендерятся с анатомически корректным положением конечностей, а не с деформированными позами, характерными для обобщённых видеомоделей.

Seedance 1.5 Pro генерирует видео и аудио через две параллельные диффузионные ветви, разделяющие общее латентное пространство. Видеоветвь обрабатывает визуальные кадры, а аудиоветвь производит синхронизированный звук — обе обусловлены одним и тем же эмбеддингом промпта. Поскольку они генерируются совместно, а не последовательно, движения губ выравниваются с речью с точностью до миллисекунды, а шаги приходятся точно на момент касания ногами земли.

Исключительно хорошо. ByteDance разработал модель с вертикальным форматом 9:16 в качестве приоритетного, а не как обрезку 16:9. Скорость генерации составляет 30–60 секунд для клипа 1080p — достаточно быстро для итеративного создания контента. Встроенная синхронизация звука позволяет генерировать танцевальный клип с подходящей музыкой за один проход, пропуская ручное выравнивание звука, которое требуют другие инструменты.

Система скелетного отслеживания хорошо обобщается за пределы танца. Боевые искусства, потоки йоги, спортивные моменты и театральные жесты — всё это выигрывает от той же точности движений. Мимика фиксируется с особой тонкостью, включая микровыражения вокруг глаз и рта, передающие эмоции во время диалоговых или перформативных сцен.

Физическая привязка звука связывает генерацию звука с физическими событиями в видео. Когда мяч отскакивает, звук удара срабатывает ровно в кадре контакта. Когда танцор хлопает, аудиопик выравнивается с моментом столкновения рук. Это обрабатывается на уровне модели во время генерации, а не добавляется при постобработке, поэтому синхронизация сохраняется даже для быстрых или перекрывающихся событий.

Да. Аудиоветвь нативно обрабатывает фонемные наборы английского, китайского, японского и корейского языков. Формы губ генерируются на основе фонетического содержания промпта или референсного аудио, поэтому движения рта соответствуют произносимому языку, а не стандартным паттернам открытия и закрытия.

Примерно в 10 раз быстрее. Клип 1080p при 24 кадрах/с, на который требовалось 8–10 минут в Seedance 1.0, теперь завершается за 30–60 секунд. ByteDance достиг этого благодаря архитектурным оптимизациям в планировщике диффузии и более эффективному механизму внимания, а не за счёт снижения качества результата.