Seedance 2.0: como gerar vídeos com imagem, áudio e referências

O Seedance 2.0 é um gerador audiovisual multimodal da ByteDance. Ele foi projetado para interpretar texto, imagem, vídeo e áudio dentro do mesmo processo, usando essas entradas como direção de cena, movimento, ritmo, enquadramento e som.

No VideoAny, a escolha mais econômica é o Seedance 2.0 Fast em 480p. Use-o para testar enquadramento e movimento. Passe para a versão padrão ou para uma variante Face quando o rascunho estiver aprovado e a preservação do rosto for importante.

Há um limite decisivo para quem chegou procurando Seedance 2 NSFW ou Seedance 2 sem censura: a integração 2.0 atual tem moderação. Ela pode recusar nudez explícita e sexo. Para cenas adultas fictícias entre adultos, os modelos Wan 2.7 e VideoAny V2/V3 são as alternativas sem verificador de segurança no fluxo atual.

A estrutura mais estável é: sujeito + ação visível + ambiente + câmera + luz + sequência temporal + áudio. Diga o que muda do início ao fim. Se houver uma imagem de entrada, evite redescrever cada detalhe já visível e concentre o texto no movimento.

Em vez de pedir apenas 'vídeo cinematográfico de uma mulher na praia', especifique quem se move, para onde olha, como o tecido e o cabelo reagem, qual é o trajeto da câmera e o que se ouve. Ações concretas reduzem interpretações aleatórias.

Para cenas com várias etapas, marque o tempo com frases como 'nos primeiros dois segundos', 'depois' e 'no final'. Um clipe curto comporta uma ideia principal. Divida roteiros grandes em tomadas separadas.

Plano vertical 9:16, 8 segundos. Uma barista brasileira adulta, usando avental verde-escuro, coloca uma xícara de café sobre o balcão de madeira de uma cafeteria em São Paulo. Nos primeiros dois segundos, close no vapor subindo e na textura da espuma. A câmera recua lentamente enquanto ela sorri e desliza a xícara em direção ao cliente. Luz quente da manhã entrando pela janela, reflexos suaves, movimento natural das mãos, anatomia consistente, produto e logotipo estáveis. Som estéreo de cafeteria, máquina de espresso ao fundo e a fala em português brasileiro: 'Seu café, do jeito que você gosta'. Sem legendas, sem texto novo na imagem, sem cortes bruscos.

Se você usar uma foto inicial, acrescente: 'preserve exatamente o rosto, o avental, a xícara e a disposição do balcão da imagem de referência'. Se usar áudio gravado, remova a fala escrita e peça sincronização labial natural com o áudio enviado.

Use a primeira imagem para identidade e composição, outra para figurino ou produto, um vídeo curto para movimento e um áudio para ritmo ou voz. No prompt, identifique a função de cada entrada em linguagem direta.

A especificação oficial da plataforma aberta cita até nove imagens, três vídeos e três áudios. O formulário disponível no VideoAny pode expor um subconjunto conforme o modo e a variante. Considere o limite oficial como capacidade do modelo, não como promessa de que todos os campos aparecerão juntos.

Quando você precisar controlar o primeiro e o último quadro, escolha o modo de imagens e defina os papéis compatíveis. Na interface atual, esse fluxo não funciona ao mesmo tempo com vídeos e áudios de referência.

Para uma frase curta, escreva a fala entre aspas, identifique 'português brasileiro' e descreva voz, idade adulta, emoção e ritmo. Faça um teste barato antes de produzir em 720p ou 1080p.

Quando a pronúncia, o sotaque ou a sincronia labial forem essenciais, o caminho mais confiável é gravar ou sintetizar a locução brasileira separadamente, enviar o áudio como referência quando o campo estiver disponível e pedir sincronia natural.

Se a variante ou o modo não aceitar seu áudio, gere primeiro o vídeo sem fala, produza a locução em outra ferramenta e finalize com dublagem ou sincronização labial. Isso evita gastar várias gerações tentando corrigir uma única palavra.

Comece em texto para vídeo se ainda não existe uma composição definida. Use imagem para vídeo quando o rosto, produto, cenário ou primeiro quadro precisam permanecer reconhecíveis.

Escolha Seedance 2.0 Fast, 480p e cinco segundos para o primeiro teste. Escreva uma ação principal, um movimento de câmera e o quadro final desejado. Revise anatomia, identidade, física, texto visível e sincronização de áudio.

Depois de aprovar o teste, aumente a duração, escolha 720p e, se necessário, passe para a versão padrão ou Face. Evite mudar modelo, prompt, referência, duração e resolução ao mesmo tempo.