Seedance 2 Reference to Video

Seedance 2 Reference to Video es el modelo de vídeo impulsado por referencias más avanzado de ByteDance, diseñado para creadores que desean guiar la generación con material fuente real en lugar de depender solo del texto. En vez de describir todo con palabras y esperar que el modelo lo interprete correctamente, puedes proporcionarle hasta nueve imágenes de referencia, tres vídeos de referencia y tres clips de audio, y luego referenciar cada uno directamente en tu prompt usando etiquetas simples como @Image1, @Video2 o @Audio3. El resultado es un vídeo que toma prestados los personajes, escenarios, estilos, movimiento y sonido que indiques —con audio sincronizado nativo y control cinematográfico de la cámara integrado.

En su núcleo, se trata de un modelo de texto a vídeo, por lo que cada generación comienza con un prompt escrito. El prompt es donde describes la historia, la acción, los planos y cómo todo encaja. Un ejemplo da una idea del alcance: un pulpo que encuentra un balón de fútbol en el océano, llama a sus amigos y luego corta a un partido de fútbol completo bajo el agua. Describes escenas, cortas entre ellas y estableces el ambiente, y el modelo lo convierte en imágenes en movimiento. Lo que diferencia esto de una herramienta simple de texto a vídeo es el sistema de referencias superpuesto. Al adjuntar tus propias imágenes y sonidos y llamarlos en el prompt, obtienes mucho más control sobre exactamente lo que aparece en pantalla.

Las imágenes de referencia aceptan archivos JPEG, PNG y WebP, hasta nueve de ellas, cada una de hasta 30 MB. Úsalas para fijar la apariencia de un personaje, una ubicación específica, un producto, un vestuario o un estilo artístico. Los vídeos de referencia aceptan MP4 y MOV, hasta tres clips con una duración combinada entre 2 y 15 segundos. Son útiles cuando quieres llevar movimiento, ritmo o un comportamiento visual particular a tu nuevo vídeo. El audio de referencia acepta MP3 y WAV, hasta tres archivos con una duración combinada de no más de 15 segundos —ideal para impulsar voz, indicaciones musicales o sonido ambiental. Una regla importante: si proporcionas audio, también debes incluir al menos una imagen o vídeo de referencia. En total, en las tres categorías combinadas, puedes adjuntar hasta doce archivos en una sola generación.

El audio es una parte de primera clase de la salida. Por defecto, el modelo genera audio sincronizado para acompañar el vídeo, incluyendo efectos de sonido, sonido ambiental y voz sincronizada con los labios. Esto significa que un personaje que habla en tu vídeo puede tener movimientos de boca que coincidan con el diálogo generado, y los sonidos ambientales se pueden tejer automáticamente. Si prefieres un clip silencioso para añadirle banda sonora más tarde, simplemente puedes desactivar la generación de audio.

Tienes control directo sobre el aspecto y la duración de tu vídeo final. Las opciones de resolución van desde 480p para borradores más rápidos, hasta 720p como predeterminado equilibrado, 1080p para entrega de alta calidad, hasta 4K para la máxima fidelidad. La duración es flexible de 4 a 15 segundos, o puedes dejar que el modelo decida la longitud ideal basada en tu prompt dejándolo en automático. La relación de aspecto es igual de versátil: elige 16:9 para paisaje, 9:16 para vertical y contenido prioritario en redes sociales, 1:1 para cuadrado, 4:3 o 3:4 para encuadre clásico, 21:9 para tomas cinematográficas ultrapanorámicas, o automático para que el modelo elija lo que mejor se adapte a tu escena. Para la entrega final, también puedes solicitar una versión de mayor calidad y archivo más grande cuando quieras la salida más limpia posible, o quedarte con la versión estándar para uso cotidiano.

Este modelo es ideal para una amplia gama de profesionales creativos. Cineastas y artistas de vídeo pueden hacer storyboards y prototipos de secuencias cinematográficas con movimiento real de cámara y cortes de escena. Creadores de contenido y productores de redes sociales pueden generar clips verticales con sincronización labial y sonido nativo en una sola pasada. Diseñadores y marketeros pueden insertar fotos de productos o imágenes de marca como referencias para mantener una campaña visualmente consistente. Animadores y creadores de contenido estilizado pueden transformar material de referencia en nuevo movimiento, y cualquiera que trabaje en historias centradas en personajes puede usar referencias de imágenes para mantener un personaje reconocible a lo largo de una escena. Las etiquetas estilizado, transform y lipsync capturan sus puntos fuertes: convertir referencias en nuevo metraje estilizado e impulsar voz sincronizada.

Al trabajar con el modelo, unas pautas prácticas ayudan. Mantén tus archivos de referencia dentro de los límites indicados —máximo nueve imágenes, tres vídeos totalizando 2 a 15 segundos y resolución aproximada de 480p a 720p, tres clips de audio totalizando no más de 15 segundos, y no más de doce archivos en total. Siempre referencia tus adjuntos explícitamente en el prompt usando las etiquetas @Image, @Video y @Audio para que el modelo sepa cómo quieres usar cada uno. Recuerda que las referencias de audio requieren al menos una imagen o vídeo acompañante. Resoluciones bajas como 480p son ideales para pruebas rápidas e iteraciones, mientras que 1080p y 4K se reservan mejor para el renderizado final. Como el modelo puede decidir la duración y la relación de aspecto automáticamente, dejarlas en automático es un buen punto de partida al explorar, y luego fijarlas una vez que sepas el formato exacto que necesitas.

En general, Seedance 2 Reference to Video está diseñado para creadores que quieren la flexibilidad de vídeo impulsado por prompts combinada con la precisión de referencias reales —uniendo tus propias imágenes, metraje y sonido en un clip coherente con audio sincronizado y control cinematográfico sobre encuadre, longitud y calidad.