Seedance 2.0 完整指南：功能、对比与使用教程

什么是 Seedance 2.0？

Seedance 2.0 是字节跳动的先进多模态 AI 视频模型，它把图片、视频、音频和文本输入结合起来，带来前所未有的创作控制力。本指南把 Seedance 与 Kling、Veo 和 Sora 做对比，并展示专业创作者如何在 Morphic 上掌握多模态视频工作流。

传统的文生视频模型只能依赖写下来的提示词，Seedance 2.0 不同：你可以直接把想要的东西通过视觉和听觉参考展示给模型看。上传参考图来确定风格与构图，用视频片段演示想要的镜头运动或动作，加入音频来确立氛围与节奏，再配上详细的文本提示词来精确指挥创作。

另有两篇配套指南深入具体问题：电影级 Seedance 2.0 视频讲手艺层面，Seedance 2.0 提示词被标记该怎么办则针对生成被拒绝的情况。

为什么专业视频创作要用 Seedance 2.0

Seedance 2.0 解决的是 AI 视频生成的根本局限：描述与构想之间的鸿沟。你不必再费力用文字去描述复杂的镜头运动、角色细节或视觉特效，而是可以直接给出范例。这种多模态方式带来：

• 通过图片参考实现精确的视觉控制
• 通过视频参考实现准确的运动复现
• 通过音频整合实现节奏与情绪的同步
• 跨多个镜头保持角色与风格稳定
• 保持画面延续的复杂场景转换

模型擅长同时理解并综合多种参考类型，因此在商业制作、内容创作和专业视频工作流中尤其有价值。

Seedance 2.0 对比 Kling、Veo 与 Sora：功能对照

评估 AI 视频生成工具时，弄清各家平台的具体能力，才能为自己的工作流选对工具。下面是 Seedance 2.0 与几个主要替代方案的对比：

关键差异：

多模态灵活性：Seedance 2.0 和 Kling 3.0 都提供完整的多模态支持，包括直接上传视频和音频文件。Veo 3.1 支持图片参考（最多 3 张），但音频是生成的，而不是参考来的。Sora 仍以文本和图片为主。

视频参考的深度：Seedance 2.0 与 Kling 3.0 都擅长从参考素材中复现复杂的镜头运动、编舞和特效。Kling 3.0 的"AI 导演"功能可自动完成多镜头场景编排。Veo 3.1 侧重图生视频，角色稳定性强，但在视频到视频的运动复现上着力较少。

音频能力：Seedance 2.0 允许直接上传音频文件，用于精确的情绪控制和节拍同步。Kling 3.0 原生生成多语言音频，并在 5 种语言下实现准确的唇形同步。Veo 3.1 原生生成音频，但不接受音频文件参考。Sora 只能根据文本描述生成音频。

时长与延长：Sora 的单次生成最长（最长 60 秒），而 Veo 3.1 的延长功能可以把片段串到 60 秒以上。Seedance 2.0 与 Kling 3.0 都支持 15 秒生成，并具备延长能力。

分辨率与画质：Seedance 2.0 最高输出 4K，采用 10-bit 编码，能保留色彩层次，方便 HDR 与调色。这在纯分辨率上与 Kling 3.0、Veo 3.1 持平，所以真正的决定因素通常是参考控制力，而不是像素数。

编辑已有素材：Seedance 2.0 把上传的视频当作可以编辑的对象，而不只是模仿的样板。你可以在片段内部增加、删除或替换元素，向前或向后延长时间，也可以把多个片段缝成一个连续的整体。编辑在这里是一等公民，而不是附加功能，这正是它能让客户已经通过的素材继续可用的原因。

该用哪一个 Seedance 2.0 模型

Seedance 2.0 是一个包含三个模型的家族，功能集相同，区别在于质量与成本：

一个实用的做法：先在 Mini 或 Fast 上打草稿，等提示词和参考素材都调顺了，再用完整版 Seedance 2.0 跑最终成片。

信息截至 2026 年 7 月准确。功能与可用性可能变动。

在 Morphic 上试用 Seedance 2.0 →

Seedance 2.0 的核心功能与能力

多模态输入系统

Seedance 2.0 接受四种可以组合使用的输入类型：

图片输入（最多 9 张）

• 确定视觉风格与美学方向
• 确立角色外观并保持一致
• 设定场景构图与取景
• 指定产品细节以便准确还原
• 控制光线、调色与氛围

视频输入（最多 3 段，合计不超过 15 秒）

• 参考特定的镜头运动与摄影手法
• 复现运动模式与编舞
• 复制场景转换与剪辑节奏
• 演示特效与视觉技巧
• 展示角色动作与互动

音频输入（MP3 或 WAV，最多 3 个文件，每个 2-15 秒，合计不超过 15 秒）

• 用音乐确立氛围与情绪基调
• 用节奏与节拍结构控制快慢
• 加入特定音效或环境声
• 匹配对白的嗓音特征
• 让画面变化与音频提示同步

文本提示词（自然语言）

• 引导叙事与故事推进
• 指定参考素材里没有展示的动作与运动
• 描述场景转换与时机
• 说明参考素材该如何被使用
• 补充视觉参考之外的细节

关于上限：不存在跨类型的总数上限。上限是按类型分别设的（最多 9 张图片、3 段视频、3 个音频），而真正的约束不是上限，而是你的克制：字节跳动建议使用的参考素材远少于允许的数量。不过确实有一种组合根本不被支持。只有文本加音频，以及只有音频，都无法生成。每次生成都需要文本，而音频永远只能与视觉参考同行。

参考能力的架构

Seedance 2.0 的核心创新在于它的参考理解系统。它不是把输入当成简单的风格指引，而是从每份参考素材中分析并提取具体元素：

从图片中：构图结构、角色特征、物体细节、布光方案、色彩关系、空间排布、风格特征

从视频中：摄影机运动轨迹、运动速度与加速度、取景变化、主体动作与时机、特效实现方式、转场手法

从音频中：节奏与节拍模式、音调情绪与氛围、音量动态、音效出现的时机、嗓音特征

这种颗粒度的理解，让你可以明确指定每份参考中的哪些方面该影响生成，从而对最终结果实现精确控制。

基础生成质量的提升

除了多模态能力，Seedance 2.0 在底层质量上也有实打实的进步：

真实的物理动态：物体和人物的运动符合真实物理规律。衣物自然垂坠，液体流动可信，元素之间的互动遵循现实世界的规则。

流畅的运动表现：连续动作不会出现突兀的跳变或形变伪影。复杂的多步动作在整个执行过程中保持稳定。

精确的提示词理解：模型能准确理解细节指令，包括空间关系（"在背景中他的身后"）、有序的镜头序列，以及多主体的复杂场景。精确时间码是例外，下文会详细说明。

稳定的风格保持：生成开头确立的视觉特征会一直保持稳定。角色外观、光线条件和艺术风格不会随场景推进而漂移。

复杂动作的执行：能处理有难度的序列，比如打斗编排、精细的手部动作、说话时的面部表情，以及多角色之间的协同互动。

准备好体验多模态控制了吗？ 在 Morphic 上开始用 Seedance 2.0 创作 →

技术规格

关于输出设置有两点要注意。没有 2.35:1 这个选项，所以想要宽银幕质感，应该选 21:9，而不是在提示词里要求 2.35:1。另外因为 4K 使用 H.265，有些浏览器和播放器无法直接预览，尽管文件本身没有问题。

读懂 Seedance 2.0 的输入规格

文件数量与时长限制

为了在保证生成质量的同时控制算力开销，Seedance 2.0 设定了明确的输入约束：

单一类型的数量上限：

• 图片：最多 9 个文件
• 视频：最多 3 段
• 音频：最多 3 个文件

合计时长上限：

• 视频参考：所有片段合计 15 秒
• 音频参考：所有文件合计 15 秒

每段的最短要求（很容易被忽略）：

• 每段参考视频至少 2 秒
• 每个参考音频至少 2 秒
• 参考视频的帧率必须在 24 到 60fps 之间

没有跨类型的总数上限。 九张图片加三段视频加三个音频，在规则上是合法的请求。但它同样是个糟糕的请求，原因见下一节。

不支持的组合：只有文本加音频，以及只有音频，都无法生成。音频永远需要一个视觉参考同行。

生成输出时长：4-15 秒。

不要把给你的名额全部填满

上面这些是上限，不是目标。字节跳动自己的指引说得很清楚：用满素材配额会让结果变差。参考太多时，模型难以判断哪些特征该优先，于是产生风格冲突、主体识别模糊，以及偏离你要求的输出。

推荐的配置是总共 4 到 5 个素材。 每一个都该有明确分工：

• 角色锚定（1-2 张图片）：锁定角色外观
• 场景定调（1 张图片）：锁定环境与风格
• 镜头运动（1 段视频）：锁定镜头语言与节奏
• 节奏与氛围（1 段音频）：控制情绪与音色

如果两份参考在争同一个岗位，那就多了一份。给同一个角色上传四张图片，并不会让模型对这个角色的把握变成四倍，只会让它更不确定该相信哪一张。

实际例子：一条 15 秒的广告，需要特定的产品外观、动感的镜头调度和欢快的音乐，五个素材就是一份完整的简报：

• 2 张图片：产品的两个角度
• 1 张图片：想要的调色与光线风格
• 1 段视频：镜头运动参考
• 1 段音频：控制节奏的音乐

其余的一切，包括环境、情绪和快慢，都该写进文本提示词。

关于人物数量的硬上限：当参考中的人物超过四个时，输出稳定性会急剧下降。你会开始看到画面里人数不对，或者出现重复的人。如果你需要六个人的群像，先分两组、每组三人生成两张图片，再用这两张图片作为视频的参考。

输入素材的质量准则

图片参考：

• 需要准确还原时，使用清晰、光线充足的照片
• 分辨率越高，细节还原越好
• 多角度对产品和物体有帮助，但对人脸是有害的：见下文的头像规则，因为一张多角度的角色设定图会被读成好几个不同的人
• 避免压缩严重或画质低劣的图片

视频参考：

• 确保你想参考的那个具体元素清晰可见
• 只聚焦一个要素的短片段，好过包含多个要素的长片段
• 视频画质越高，模型对运动的理解越好
• 把视频裁到只剩相关的那一段

音频参考：

• 尽量使用没有背景噪音的干净音频
• 确保音频清楚地体现你想要的节奏或情绪
• 让音频时长与目标视频时长大致相当
• 如果一份素材能一物多用，可以考虑直接使用视频文件里的音频

如何使用 Seedance 2.0 的多模态参考

Seedance 2.0 可以通过 Morphic 使用，Morphic 提供了上传参考素材和撰写提示词的界面。系统采用 @ 提及结构，用来指明每个上传的文件在生成中如何被使用。

首先，弄清你要的是三种任务中的哪一种

在动笔之前，先决定你交给模型的是哪一份工作，因为措辞不同，而搞错正是浪费一次生成最常见的原因。

• 多模态参考：从素材中提取元素（一个主体、一种风格、一个镜头运动、一个嗓音），做出一条全新的视频。
• 视频编辑：改变已有视频内部的某样东西。你没提到的部分会原样保留。
• 视频延长：把已有视频向前或向后延续，保持风格、主体和叙事不变。

陷阱：做编辑和延长任务时，要把片段称为 @Video 1，绝不要写成"参考 @Video 1"。"参考"这个词会把模型推向参考任务的分类，于是它不会编辑你的片段，而是生成一条只是长得像的新视频。要写"严格编辑 @Video 1"或"将 @Video 1 向前延长"，而不是"参考 @Video 1 并编辑它"。

引用主体之前，先定义主体

一张上传的图片里通常不止一样东西。明确给主体命名是大多数人会跳过的一步，而它恰恰是防止模型抓错元素的关键。

挑 2 到 3 个稳定、静态、能唯一识别主体的特征（服装、发型、类别），然后把它们绑定到素材上：

将 @Image 1 中的[核心特征]定义为[主体名称]

例如：将 @Image 1 中穿红裙、戴草帽的女人定义为 Subject 1。 从这一刻起，只用 Subject 1 来称呼她。她每次出现都用同一个标签。如果你在"这个女人""她"和"Subject 1"之间来回切换，模型可能会搞不清你指的是谁。

赶时间的活儿可以跳过定义，改用行内绑定，并在每次提到她时重复这个配对：Subject 1@Image 1。

这里有两条重要规则。描述要短，并且不能自相矛盾，因为同一个主体上两个冲突的特征会打乱绑定。另外，凡是空间关系"展示"比"描述"更省事的，就用参考图去展示它，而不是在文本里描述它。

@ 引用系统

把素材上传到 Morphic 之后，你在提示词里用 @ 符号加上文件标识（Image 1、Video 1、Audio 1 等）来引用它们。关键在于明确说明每份参考的用途。

基本引用结构：

@[素材类型 + 编号] 用作/用于 [具体用途]，[补充语境]

含糊的写法与清楚的写法：

含糊："用 @Image 1 和 @Video 1 做一条视频"

清楚："@Image 1 作为开场画面，展示角色的脸；参考 @Video 1 中的镜头推进运动；使用 @Audio 1 作为背景音乐，确立欢快的情绪"

把最重要的素材放在最前面。 素材在提示词里出现得越早，权重越大。如果角色的脸必须准确无误，就把它放在开头。

让模型知道它在读什么类型信息的标点

Seedance 2.0 把四种括号读作类型信号。用上它们，是防止台词被渲染成画面字幕、或音效被念出声的低成本办法。

如果某句台词不是英文，就在花括号前注明语言：用日语说 {こんにちは}。每个场景只用一种语言。除专有名词外，在同一段提示词里混用语言会让发音变差。

写出有效的多模态提示词：CRAFTS 框架

一段好的 Seedance 2.0 提示词，更像一份工程指令，而不是一段文案。模型会同时读取你的文本、图片、视频和音频，并在内部把它们拆成空间层（画面里有什么）和时间层（它如何随时间变化）。你的任务是把这两层都喂干净。

CRAFTS 覆盖了一段完整提示词要交代的六件事：Context（语境）、Reference（参考）、Action（动作）、Framing（取景）、Timeline（时间线）、Style and constraints（风格与约束）。

C - 语境：确立场景与环境 用地点、时代、氛围和整体设定把舞台搭起来。场景类的图片参考写在这里。

示例："在一间夜晚灯光昏暗的爵士酒吧里，室内氛围参考 @Image 1"

R - 参考：定义主体并把它们绑定到素材上 用 2 到 3 个稳定特征给每个主体命名，然后明确说明每份素材贡献什么、不贡献什么。

示例："将 @Image 2 中穿灰西装的男人定义为钢琴师。@Image 2 只用于他的面部和体型，不用于服装。@Video 1 用于走路的节奏。@Audio 1 用于背景爵士乐。"

A - 动作：描述人物与物体的运动 详细写清场景里发生了什么：人物动作、物体互动、事件顺序。有效的动作描述和无效的，差别在两点。

小幅度、慢速度。 Seedance 2.0 处理轻柔、连续、小幅度的运动，远比处理高能量的剧烈动作可靠。冲刺、大跳、翻滚，正是肢体变形、物理失效的重灾区。多写"缓缓走过""轻轻抬起一只手""顺势坐下"。要指明身体部位，以及幅度、速度和力度：不要写"他动了动头"，而写"他快速转头"。当一个动作引出下一个动作时，说明它们如何衔接，让运动带上自己的惯性："借着转身的惯性自然地抬起一只手"。

把情绪外化为身体细节。 模型渲染不了"非常悲伤"，但它能渲染悲伤在身体上的样子。把抽象的标签换成具体的迹象。

示例："钢琴师缓缓穿过房间，在吧台前停下，拿起一只玻璃杯。他啜了一口，望向门口时下颌绷紧，手指用力攥住杯子。"

F - 取景：定义镜头调度与摄影手法 用电影术语指明景别、镜头运动、角度和转场。模型对标准的摄影词汇掌握得很好，所以直接用就行。

示例："以一个大远景开场，随着人物走向吧台推进为中近景，然后切到一个望向门口的过肩镜头"

每个镜头只做一个运动。 让一个镜头同时推进、环绕又摇摄，是让画面失稳最快的办法。想要三个运动，就该分成三个镜头。

T - 时间线：排列镜头，而不是排列秒数

这是大多数指南写错的一点，包括本文的早期版本。人的本能是给一切打时间码：0-4 秒这个，4-8 秒那个。 但 Seedance 2.0 对精确时间的支持并不稳定，把片段强行钉在固定时长上，反而可能破坏生成。

改成排列镜头顺序，让模型自己找到节奏。按事件发生的先后标注镜头1、镜头2、镜头3，每个镜头依次写：镜头运动，然后主体动作，然后位置，最后声音。

弱："一个男人紧张地在街上奔跑，整个场面非常有电影感。"

强：

• 镜头1：街边小巷的侧视角。男人开始奔跑，呼吸急促。
• 镜头2：他撞翻了一个水果摊。镜头晃动，推进到他惊恐的脸部特写。
• 镜头3：他翻过一堵矮墙消失。镜头缓缓后拉，最后停在空荡的街道上。

时间码并非禁忌，你在字节跳动自己的示例提示词里也会看到它们。把它们当作模型可能采纳的提示，而不是必须服从的指令。如果节奏确实要紧，可靠的手段是让单条片段里的镜头更少，而不是把时间码写得更死。

S - 风格与约束：把失败模式的门关上

提示词的最后一段是最常被省略的，但它做的事比人们以为的多。它有三项任务。

画面质量：说清你要什么样的成像。"高清，细节丰富，胶片质感，自然色彩，柔和光线。"

风格：说清你要的观感，哪怕你觉得参考图已经暗示了它，也要说出来。如果参考图是写实的而你想要动画，你却从没说过，输出就会飘回真人实拍。要明确写"2D 日式动画风格"或"3D 风格化 CG"。

约束：这几句话能拦住模型生产出没人要的杂质。

• 请勿生成字幕。避免生成任何文字或字幕。
• 请勿生成 logo。
• 请勿生成水印。

这里值得说句实话：约束句能降低杂散字幕和水印出现的概率，但不能消除它。有两件事真正有用。如果参考图或参考片段里有你不需要的文字，上传前先把文字去掉。另外，如果项目允许，就用横版生成，因为杂散字幕在横版里出现的频率明显低于竖版。之后随时可以裁成竖版。

CRAFTS 示例提示词：

图片参考技巧

确立视觉风格与美学方向

图片确立生成结果的整体观感。用它们来定义色板、布光方式、构图风格和艺术处理。

跨镜头保持角色一致

当多条视频里出现同一个角色时，每段提示词都引用同一张角色图片，以保持外观稳定。

细节准确的产品展示

商业或产品类内容，可以用多个角度和细节特写作为参考，以确保准确还原。

视频参考技巧

复现镜头运动与摄影手法

视频参考最擅长演示那些光靠文字很难说清的具体镜头技巧。

复制运动模式与编舞

对于舞蹈、打斗或特定的动作模式，视频参考能提供逐帧的运动指引。

复现特效与视觉手法

视频参考可以演示粒子特效、转场、合成手法等视觉效果，以便准确还原。

音频参考技巧

背景音乐整合与氛围确立

音频参考通过音乐的选择，确立视频的情绪基调与快慢。

画面变化与节拍同步

把场景转换、剪切或画面变化对齐到具体的音乐节拍上，能获得干净、专业的节奏。

嗓音音色与对白匹配

当具体的嗓音特征很重要时，可以引用包含目标音质的音频或视频文件。

复杂的多参考示例

为商业制作组合全部输入类型

示例：产品广告

带对白的多角色场景

示例：叙事场景

Seedance 2.0 的进阶功能

用视频延长做连续叙事

Seedance 2.0 可以用新的内容延长一段已有视频，把故事继续讲下去。它双向都能用：你可以生成片段之后发生的事，也可以生成它之前发生的事，后者在你有一个好镜头却缺一个进入方式时很有用。

视频延长怎么工作：

1. 上传你已有的视频
2. 说明你要哪个方向，并描述会发生什么
3. 模型自己提取过渡帧并生成后续内容

把片段称为 @Video 1，而不是"参考 @Video 1"。这是一个编辑任务，而"参考"这个词会把模型推向生成一条相似的新视频，而不是延续你的那一条。

示例：延长一个咖啡馆场景

已有视频：10 秒的片段，一个人坐在咖啡馆的桌前看笔记本电脑

原始素材不会被重新生成，所以你已经满意的那部分会原样保留。默认情况下，输出只带上源片段的尾部，而不是全片。如果你希望返回的视频里包含原片，就明确要求："将 @Video 1 向前延长，[描述]，然后以 @Video 1 结束。"

要提前规划的两个限制

延长确实好用，但它并非天衣无缝，提前知道这两点能让你少花一个下午的冤枉功夫。

接缝可能跳。 在新片段与原片衔接的地方，你可能看到轻微的跳变或一帧回退。目前没有哪句提示词能可靠地修好它。实用的补救在剪辑软件里：每个接缝处，从出画片段的末尾裁掉约 6 帧，从入画片段的开头裁掉 1 帧。更好的办法是规划好片段，让接缝落在一次剪切上，而不是落在运动中途，那样画面的断裂本来就看不出来。

反复串联延长会导致画质衰减。 把生成好的视频再喂回去作为下一次延长的源，画面会劣化，而且每过一遍伤害叠加。它最先表现为人脸上斑驳的色块。把链条控制得短一些，并尽量喂入你手上画质最好的源。

如果你确实需要反复延长，字节跳动记录了一个奇特但有效的变通办法：先把片段转成白模视频，再从白模继续延长。提示词大致是"将视频转换为纯白 3D 模型。所有人物变成纯白 3D 模型，无颜色，无纹理，无阴影，纯白背景，结构稳定，运动流畅。"剥掉颜色和纹理，等于给下一轮生成一个干净的结构底子，而不是让上一轮的伪影继续叠加。

延长的最佳实践：

• 每次延长保持较短（5-8 秒），衔接最自然
• 清楚描述原片结尾与新内容之间的衔接动作
• 说明哪些元素要保持不变（机位、光线、人物位置）
• 如果原片有音频，就让延长部分参考那个音频的风格

视频融合与多片段转场

通过生成一段桥接内容，在多个已有片段之间创造平滑的转场。

示例：连接两个地点

已有视频：

• @Video 1：角色走在城市街道上（结尾时角色正走近拐角）
• @Video 2：同一个角色进入公寓（开头是门被推开）

这会生成一段桥接片段，平滑地连接两次独立拍摄，并保持角色与叙事的延续。

替换已有视频中的角色

在保留镜头调度、运动和场景细节等一切其他元素的前提下，替换视频里的角色或主体。

示例：替换音乐表演者

角色替换的用途：

• 在广告创意里测试不同的出镜人选
• 用不同演员创作同一场景的多个版本
• 用新的品牌代言人更新已有素材
• 为不同地区市场制作本地化出镜人的内容

剧情反转与叙事改写

在保留视觉与技术元素的前提下，彻底改变已有视频的叙事方向或结局。

示例：感情戏的反转

原视频（@Video 1）：桥上求婚的浪漫场景，男人求婚，女人答应，两人相拥

这个手法让你可以彻底改写叙事方向，同时保留已有素材的摄影质感与制作水准。

一镜到底的长镜头

创作跟随主体穿越多个环境、中间不切的长镜头序列。

示例：城市追逐段落

创意模板复刻

复制参考视频的结构、风格与手法，同时换上你自己的主体和品牌。

示例：改写一支广告的风格

参考：@Video 1 是一支高端香水广告，有特定的镜头技巧、转场与节奏

Seedance 2.0 的用例与示例

本节展示 Seedance 2.0 在不同行业、不同复杂度下的应用。每个行业都给出基础、进阶和高级示例，展示能力的逐步提升。

商业广告制作

基础：单件产品的静态展示

场景：电商用的简单产品展示

复杂度：单张图片参考，一个镜头运动，一个事件

进阶：多角度产品演示

场景：展示多项功能的科技产品演示

复杂度：多张图片，多个镜头，多变的机位，音频同步

高级：带场景转换的完整广告

场景：15 秒的生活方式广告，展示产品在多个场景中的使用

复杂度：5 张图片，1 段视频，1 段音频。分层音频，三个地点，专业摄影调度。

这个例子已经处在推荐素材数量的上限，而家庭办公室是用文字描述的，没有单独给一张参考图。这是一个刻意的取舍。三地点广告恰恰是最容易忍不住给每样东西都上传一张图的场合，也恰恰是这样做会开始让主体变模糊的场合。

社交媒体内容创作

基础：热门风格的快剪视频

场景：带流行转场效果的简单社媒内容

复杂度：多张图片参考，节拍同步，简单的转场效果

进阶：多地点的故事序列

场景："一日生活"风格的 vlog 内容

复杂度：多个地点，手持风格参考，音频分层，人格化的内容

高级：病毒式的复杂视觉特效

场景：带流行特效的高制作水准社媒内容

复杂度：多个复杂参考，精确的编舞匹配，特效复现，高级音频同步，流行风格的融合

影视娱乐制作

基础：营造氛围的定场镜头

场景：叙事内容的场景铺陈镜头

复杂度：单张图片，基础镜头运动，氛围营造

进阶：正反打的对白场景

场景：两个角色的对话，配备专业的镜头覆盖

复杂度：两张角色图片，特定的镜头技巧参考，对白节奏，心理张力

高级：复杂编舞的动作段落

场景：带具体武术编排的打斗场面

复杂度：四张图片参考，两段视频参考（编舞与镜头风格），音频参考，复杂的动作编排，慢动作。

这里要诚实地设定预期。 快速、高冲击的动作是这个模型最难的活儿，也是肢体变形、物理失效最常出现的地方。这也正是为什么这段提示词依靠的是一段编舞参考视频，而不是试图用文字描述那一脚：把动作展示出来，远比描述它可靠。即便如此，这条也要预期生成好几次。如果某个镜头总是失败，通常的解法是把动作放慢，或者把它拆成两个镜头，而不是堆更多形容词。

专业工作流的应用

用视频延长保持项目延续

场景：为已拍摄的素材续上新的内容

已有视频：8 秒的镜头，CEO 走过现代办公室，最后停在会议室门口

用途：在不重新拍摄的前提下，为已有的专业视频素材续写内容

基于模板的批量内容生产

场景：制作多条风格一致的社媒视频

主模板提示词（视频 1）：

变体提示词：把 @Image 1 换成不同的产品，同时保持 @Image 2、@Image 3 与 @Audio 1 不变，以维持品牌一致性

用途：可规模化的内容生产，适用于产品目录，在多个素材之间保持品牌识别

多语言改编

场景：为同一支广告制作不同地区的版本

基础提示词：

用途：需要本地化版本、同时保持统一视觉品牌的国际营销战役

Seedance 2.0 的最佳实践

CRAFTS 提示词框架（详解）

在 Seedance 2.0 上做出专业结果，需要结构化的提示词工程。CRAFTS 框架提供了一套系统方法，确保所有关键元素都被交代清楚：

C - 语境：确立场景与环境

定义动作发生的时间和地点，包括：

• 具体地点与场地
• 一天中的时段或历史时期
• 大气条件（天气、光线质感）
• 整体情绪与调性
• 与故事相关的环境细节

示例： "在凌晨两点的地下夜店里，氛围取自 @Image 1。烟雾机制造的朦胧空气，低矮的天花板被吧台的辉光照亮，背景是挤满人的舞池。"

R - 参考：先定义主体，再明确 @ 提及与确切用途

多模态的威力就在这里。先给主体命名，再明确每份参考贡献什么：

• 用 2 到 3 个稳定特征定义每个主体，并每次都复用这个标签
• 清楚写出 @ 提及
• 明确指出该参考的哪个方面被使用
• 如果参考里包含多个元素，说明哪些不要使用
• 把最需要准确的素材放在最前面

示例： "将 @Image 1 中剃着寸头、穿皮夹克的女人定义为 Ada。@Image 1 只用于 Ada 的面部特征与发型，不用于服装。@Image 2 用于皮夹克的造型。@Video 1 用于走路的节奏与自信的步态。@Audio 1 用于电子背景音乐。"

A - 动作：描述人物与物体的运动

详细写清场景里发生了什么，也就是你视频的动词：

• 人物的动作与手势
• 物体互动（拿起、放下、投掷）
• 面部表情与情绪反应
• 多个主体之间的互动
• 遵循物理的事件（物体坠落、液体倾倒、烟雾升起）

示例： "角色从画面左侧入画，用 @Video 1 中那种自信的步态行走。目光快速扫过人群，随后锁定在画外的某个人身上。嘴角浮起一丝微笑。角色用右手整了整外套的领子，然后带着目的向前穿过人群。"

F - 取景：定义镜头调度与摄影手法

用规范的摄影术语指明镜头构成：

• 景别：大远景、中景、特写、大特写、过肩镜头、主观视角
• 镜头运动：推进/拉出、跟拍、左右摇摄、上下俯仰、升降、手持、斯坦尼康
• 角度：低角度、高角度、平视、倾斜构图
• 特殊手法：希区柯克变焦、甩镜、变焦换焦、浅景深

示例： "以大远景开场，交代整个夜店环境。角色入画后，镜头跟上并以中景在她身旁跟拍。当角色停下扫视人群时，缓缓推进为中近景。切到角色的主观视角，望向人群深处。再切回角色脸部特写，笑意浮起。角色继续穿过人群时恢复跟拍，镜头从背后跟随。"

T - 时间线：排列镜头顺序，让模型自己找到节奏

把你的序列拆成编号的镜头，按事件发生的先后排列：

• 标注镜头1、镜头2、镜头3，最重要的放在前面
• 每个镜头只给一个镜头运动、一个动作节拍、一个地点
• 该镜头的声音就写在这个镜头里
• 不要给每个镜头分配时长

精确的时间控制是这个模型最弱的一环。把片段钉死在具体秒数上，结果可能比放手不管更糟，所以描述事件的顺序，让模型自己呼吸。

示例："镜头1：夜店的大远景。Ada 入画并开始行走。镜头2：镜头以中景在她身旁跟拍，她扫视人群。镜头3：特写，一丝微笑浮起。镜头4：她的主观视角，望向人群深处。镜头5：镜头恢复从背后跟拍，她继续向前。全片贯穿：（来自 @Audio 1 的电子乐，音量适中）。"

S - 风格与约束：锁定观感，排除杂质

每段提示词都要用成像质感和护栏收尾：

• 画面质量："高清，细节丰富，胶片质感，柔和光线"
• 风格：明确写出来，哪怕参考图已经暗示了它
• 约束："请勿生成字幕。""请勿生成水印。""请勿生成 logo。"
• 稳定性："角色的面部保持一致，不出现变形。运动流畅，不卡顿、不闪烁。"

完整的 CRAFTS 示例：企业培训视频

输入素材的准备策略

图片参考的优化

好的输入才有好的输出。有策略地准备图片参考：

为了角色一致：

• 用一张只拍面部的头像，正面直拍，表情中性，背景简洁
• 再加一张全身照，用于服装和身材比例。整套素材到此为止
• 不要再加角度。 正面／侧面／四分之三的一套转面图只会让身份漂移更严重，因为模型把这些角度读成了不同的人
• 避免可能让模型困惑的重滤镜或特效
• 如果服装很重要，就让全身照去承担，而不是再加细节剪裁图

为了风格与美学：

• 挑选能清楚体现目标视觉处理的图片
• 确保调色与最终构想一致
• 加入能体现你想要的具体布光方式的图片
• 注意纹理和细节的丰富程度：高细节的参考会产出高细节的输出

为了产品与物体：

• 在简洁的背景前拍摄，突出主体
• 提供多个角度，确保准确还原
• 包含重要细节的特写（logo、纹理、特定功能）
• 让光线清楚地呈现形体与立体感

视频参考的优化

为了镜头运动：

• 把视频裁到只剩你想复现的那个镜头运动
• 确保这个运动清晰可见，没有被动作遮挡
• 只聚焦一个技巧的短片段（3-5 秒），好过包含多个技巧的长片段
• 使用你手上画质最好的视频：压缩伪影会影响模型的理解

为了运动与编舞：

• 动作必须清晰可见，没有遮挡
• 确保光线足以呈现身体的位置与运动
• 如果有同一动作的多个角度，会有帮助
• 制作参考片段时，可以考虑把快速动作放慢

为了特效：

• 把你想复现的那个效果单独拎出来
• 确保效果在背景中清晰可辨
• 如果效果有特定的时机，把这个时机也包含在参考里

音频参考的优化

为了音乐与节奏：

• 使用高质量音频文件（避免低码率的压缩音频）
• 把音频裁到节奏或情绪最贴切的那一段
• 确保音频清楚地体现你想要的东西（节拍、快慢、情绪）
• 考虑让音频从一个强拍开始，更容易同步

为了嗓音与对白：

• 使用背景噪音最小的清晰录音
• 确保你想要的那个嗓音特征足够突出
• 参考片段要短，只聚焦相关的音质

如何挑出你的四到五个素材

跨类型没有总数上限，所以没有什么能阻止你上传九张图片。分寸得你自己拿捏。用下面的方法决定谁配得上一个名额。

四个功能岗位。 一份完整的简报通常各需要一个，很少更多：

1. 角色锚定（1-2 张图片）：锁定主体是谁
2. 场景定调（1 张图片）：锁定环境与风格
3. 镜头运动（1 段视频）：锁定镜头语言与节奏
4. 节奏与氛围（1 段音频）：锁定情绪与音色

用四个问题砍掉其余的：

1. 去掉这份参考，结果真的会变吗？不会，就砍掉。
2. 这件事能改用文字说吗？环境、情绪和调色通常可以。脸、精确的镜头运动和具体的编舞通常不行。难以描述的才上传，其余的都用描述。
3. 已经有别的素材在做这件事了吗？两份参考抢同一个岗位，比只留一份更糟。
4. 这是必需品还是锦上添花？先砍锦上添花的。

决策过程示例

你在做一支音乐录影带，手上有十五份候选参考：

• 4 张图片：不同角度的艺人
• 3 张图片：演出场地
• 2 张图片：布光方案
• 2 段视频：舞蹈编排与镜头运动
• 2 个音频：音乐音轨与环境声
• 2 张图片：服装细节

套用这个框架：

• 保留（角色锚定）：1 张艺人头像，加 1 张全身照。不要那套四角度的图。多角度设定图是让模型以为它在看好几个不同的人的最可靠方式
• 保留（场景）：1 张场地图，选最有代表性的那张
• 保留（镜头）：1 段视频。在编舞和镜头运动之间做选择，标准是哪一个你写不出来
• 保留（节奏）：音乐音轨
• 改用文字描述：两套布光方案、服装细节、环境声，以及另外两张场地图

结果：5 个素材。 其余十条信息依然会传达给模型，只是以文字而不是文件的形式抵达，而那正是它们本来该待的地方。

多镜头项目的一致性技巧

跨多次生成保持角色一致

要在多次视频生成中保持同一个角色的外观，需要系统化地管理参考素材：

用一张头像加一张全身照。就这两张。

这是这个模型里最反直觉的一条规则，而做错它，会正好造成你原本想避免的问题。

人的本能是给模型一套角色转面图：正面、侧面、四分之三、背面。千万别这么做。 Seedance 2.0 经常把一张多视图设定图读成好几个不同的人。这只会加剧身份漂移，而且是"双胞胎"故障的主要成因，也就是同一个画面里出现两个一模一样的角色。

真正有效的是两张分工明确的图片：

• 一张只拍面部的头像。 只有头部，表情中性，尽量少露肩膀、脖子和背景。这是模型判断身份时依赖的图片，所以脸必须占满画面。如果一张脸只是繁杂全身照里的一小块区域，模型给它的权重就低，周围的杂讯会渗进来。
• 一张全身照，用于造型、服装和身材比例。

然后在提示词里明确划分职责，并把脸放在前面：

注意这条只适用于人脸。对产品和物体来说，多角度确实有用，应该提供。

混合参考的错误：不要把脸、姿势、服装和细节剪裁塞进一张合成图递给模型。脸最终只占据很小一部分像素，得到的注意力也相应稀薄，身份于是漂移。

如果角色还是漂移了，有一个后果值得知道：漂移的脸可能越长越像某个真实的公众人物，而这会让生成在审核时被拦下，尽管你从没要求过名人。所以身份漂移不只是画质问题，它也是一条看起来干净的提示词却被拒绝的隐秘原因之一。我们的 Seedance 2.0 提示词被标记指南详细讲了被拒绝这一面。

保持标签一致 每段提示词里都用同一个名字称呼这个角色，并写明"保持与 @Image [X] 完全一致的外观"。

跨场景保持风格一致

对于需要多个镜头保持同一视觉处理的项目：

手法一：风格参考模板 挑一张能完美体现你想要的视觉风格的图片：

• 调色
• 布光方式
• 构图风格
• 纹理与细节程度

在每一段生成提示词里都放上这张相同的风格参考：

手法二：用上一次的输出作为参考 把之前成功的生成结果当作后续镜头的参考：

连续镜头的时间延续

当你要创作前后相接的镜头时：

手法一：重叠描述 描述新镜头如何接上前一个：

手法二：明确衔接点 清楚说明连接的位置：

需要避开的常见陷阱

陷阱 1：参考用得含糊

问题："@Image 1 作为参考"，却没说要参考它的哪个方面

解法：始终写清这份参考提供什么："@Image 1 用于角色的面部特征与表情，不用于背景或光线"

陷阱 2：自相矛盾的指令

问题："快节奏的动作场面，配缓慢沉思的镜头运动和平静的环境音乐"

解法：让所有元素都朝同一个目标对齐：动作快慢、镜头能量、音乐速度、剪辑节奏

陷阱 3：把提示词写得过于复杂

问题：上传十几份区别不大的参考，再写一段 500 字、细节互相冲突的提示词。字节跳动的指引对此毫不含糊：不要把整个剧本交给模型，也不要用满素材配额

解法：用更少、更有分量的参考，配上遵循 CRAFTS 框架的清晰结构化提示词

陷阱 4：无视时长限制

问题：想把 30 秒的复杂动作塞进 15 秒的生成里

解法：把复杂序列拆成多次生成，或者简化动作以适应时长

陷阱 5：镜头交代不足

问题："镜头四处移动"，没有具体方向

解法：使用精确的摄影术语："镜头从大远景推进为中近景，全程保持平视视角"

陷阱 6：忽视音频整合

问题：把音频当作事后补充，或者只写一句"加点音乐"

解法：说明音频是干什么用的，并把声音写进它所属的那个镜头："（来自 @Audio 1 的驱动节奏，贯穿全片）。每一次剪切都落在节拍上。"

陷阱 7：参考素材质量参差

问题：把高分辨率的专业照片和低画质的压缩图混在一起用

解法：保持所有参考的质量一致：别让一份劣质参考拖垮整次生成

陷阱 8：指望模型自己推断

问题："弄得好看点"或"你懂我的意思"

解法：把每个重要细节都写明白：模型执行的是你的指令，它不会去揣摩含糊的意图

快速排障指南

问题：角色外观在多次生成之间发生变化 解法：每段提示词都用同一张角色参考图，并明确写出"保持与 @Image X 完全一致的外观"

问题：镜头运动与参考对不上 解法：在文字里更具体地描述这个镜头运动，并把复杂的运动拆成几个阶段

问题：风格与参考不符 解法：除了给出参考，还要用文字描述具体的风格元素："匹配 @Image 1 的调色：去饱和的蓝色，高对比，压暗的黑位"

问题：节奏感觉不对 解法：忍住加时间码的冲动，那通常只会更糟。减少你在一条片段里要求的镜头数量，并给重要的节拍单独一个镜头。

问题：音频与情绪不匹配 解法：明确描述音频的作用，而不是只指向文件：不要只写"@Audio 1"，而要写"（来自 @Audio 1 的紧张、逐步累积的悬念）"。

问题：声音听起来不像我的参考音频 解法：单靠音频参考，音色往往达不到预期。除了引用它，还要用文字描述这个声音："用 @Audio 1 那种低沉、温厚、略带沙砾感的中年男声说……"。让写下的台词在语气上贴近参考录音，也会有帮助。

问题：同一个画面里出现了两个一模一样的角色 解法：这是"双胞胎"故障。别再用多视图角色设定图，改用单人参考照片，给每个角色命名并与他的图片配对（"Ada（@Image 1）把文件递给 Ben（@Image 2）"），并在结尾加上约束："全片不要生成重复角色或双胞胎效果。每个角色在画面中只保留一个。"

问题：出现了我从没要求过的字幕或水印 解法：加上约束句（"请勿生成字幕"、"请勿生成水印"），上传前把参考素材里的文字去掉，条件允许就用横版生成，因为杂散字幕在横版里明显比竖版少见。

问题：我的动画风格飘回了真人实拍 解法：写实的参考图会把输出往写实方向拽，除非你明确说不。在提示词里明确写出风格（"2D 日式动画风格"），或者在生成之前先把参考图转换成目标风格。

问题：描述的效果出来后是乱的，比如倒计时的数字全乱了 解法：别再描述这个效果，把它展示出来。喂进一段带这个效果的参考视频并指向它："数字出现的方式应该遵循 @Video 1。"运动逻辑正是模型从素材里读得远比从文字里读得好的东西之一。

问题：视频结尾有一声咔哒或者突兀的截断噪音 解法：这是带旁白片段上的已知伪影。重新生成，或者在剪辑软件里给音轨结尾加一小段音量淡出。这是 20 秒就能解决的事，不值得为它烧掉一次生成。

问题：画面跳动或拉伸，我的参考照片看起来变形了 解法：通常是画幅比例不匹配。如果参考图的比例与你选的输出比例不符，模型只能强行适配。上传前把图片裁成目标比例，或者把输出设为自适应比例，让它跟随参考。参考图的比例还需要落在 0.4 到 2.5 之间，每边 300 到 6000px。

结语

Seedance 2.0 凭借全面的多模态方式，代表了 AI 视频生成的一次根本性进步。它接受图片、视频、音频和文本作为输入，让专业创作者对创作过程拥有前所未有的控制力：从纯文本提示词，走向真正的"边看边说"式导演。

Seedance 2.0 在 AI 视频版图中的位置

多模态能力是 Seedance 2.0 与竞争平台的分水岭。Kling、Veo 和 Sora 的文生视频能力都很出色，而 Seedance 对视频与音频参考的直接整合，让镜头调度、运动模式和节奏同步的精确复现成为可能，而这些是光靠文字描述很难甚至无法做到的。这让 Seedance 成为那些需要严格把控视觉风格、角色一致性和电影化执行的专业创作者的首选。

这个平台还在持续进化，能力不断增强，功能支持不断扩展。掌握它的多模态参考系统和 CRAFTS 提示词框架，就为随平台成长而日益复杂的视频创作打下了基础。

关键要点

多模态控制：Seedance 2.0 把图片、视频、音频和文本输入结合起来，让你可以直接把想要的东西展示给 AI 看，而不必试图用文字把一切说清。这一根本转变，让过去很难交代的要求变得直接可达：精确的镜头运动、具体的编舞、与节拍同步的剪辑。

对比中的战略优势：与 Kling、Veo 和 Sora 相比，Seedance 2.0 在音频整合和视频参考深度上具有独特能力。直接上传音频文件并作为参考，让精确的情绪控制和节拍同步成为可能。视频参考能力也超越了风格迁移，达到完整的运动与镜头复现。

CRAFTS 专业框架：六段式的 CRAFTS 方法（语境、参考、动作、取景、时间线、风格与约束）覆盖了一段完整提示词必须交代的一切。人们最常跳过的两部分，恰恰决定了生成能否成功：引用之前先定义主体，以及用排除杂质的约束句给提示词收尾。

排列镜头，不要给镜头计时：写逐秒时间码的本能，是让 Seedance 输出变差的最常见方式。排好镜头顺序，让模型自己找到节奏。

克制胜过堆量：四五个精挑细选的素材，胜过一打。每多一份参考，模型就更难判断哪些特征重要，而角色转面图尤其会直接引发身份漂移。

在 Morphic 上可用：专业创作者可以在 Morphic 上使用完整的 Seedance 2.0 家族，包括用于低成本迭代的 Fast 与 Mini，以及用于 4K 成片的完整版 Seedance 2.0。

准备好创作了吗？在 Morphic 上使用 Seedance 2.0 →