Seedance 2 Reference to Video

Seedance 2 Reference to Video là mô hình video dẫn động theo tham chiếu tiên tiến nhất của ByteDance, dành cho các nhà sáng tạo muốn kiểm soát quá trình tạo video bằng nguồn tài liệu thực thay vì chỉ sử dụng văn bản. Thay vì phải mô tả mọi thứ từ đầu, bạn có thể cung cấp cho mô hình các tệp tham chiếu bao gồm tối đa 9 hình ảnh, 3 video và 3 đoạn âm thanh (tổng cộng 12 tệp cho tất cả loại), và kết hợp chúng lại bằng một đoạn prompt. Bạn chỉ định từng tài sản trong prompt thông qua tag đơn giản như @Image1, @Video1, hoặc @Audio1, giúp mô hình biết chính xác gương mặt, bối cảnh, chuyển động hoặc âm thanh mà bạn muốn giữ lại. Kết quả là một đoạn phim điện ảnh liền mạch, tôn trọng các tham chiếu của bạn và hoàn thiện phần còn lại.

Điểm nổi bật là âm thanh bản địa (native audio). Chỉ qua một lượt tạo, mô hình sinh ra âm thanh đồng bộ với hình ảnh: tiếng ồn môi trường, hiệu ứng âm thanh, nhạc nền, thậm chí cả hội thoại khớp môi. Không cần thêm bước xử lý âm thanh sau. Điều đó đồng nghĩa cảnh đám đông sôi động có thể xuất hiện kèm tiếng la hét, tiếng máy ảnh chụp, còi hú xa và tiếng động cơ nổ, tất cả đã sẵn sàng và đồng bộ với hành động trên màn hình. Bạn có thể bật chức năng tạo âm thanh để nhận được đoạn clip hoàn thiện, hoặc tắt nếu muốn tự xử lý phần âm thanh.

Kiểm soát sáng tạo là ưu điểm lớn. Bạn chỉ đạo chuyển động camera qua prompt bằng ngôn ngữ điện ảnh: gọi tên các kỹ thuật như dolly zoom, tracking, di chuyển quay tay với rung lắc tự nhiên, chuyển đổi góc nhìn (POV), và các góc máy ngang tầm mắt hoặc từ trên cao. Mô hình hiểu và thực hiện những chỉ dẫn này như một người quay phim chuyên nghiệp. Nó cũng xử lý vật lý thực tế: chất lỏng, chuyển động vải, chuyển động nhân vật đều chân thực. Một khả năng hữu ích là dựng chuỗi cảnh nhiều góc: trong một lần tạo tối đa 15 giây, mô hình có thể thêm chuyển cảnh tự nhiên, giúp bạn có loạt cận cảnh nối tiếp thay vì chỉ một khung hình duy nhất.

Vì mô hình nhận tham chiếu hình ảnh, nên đặc biệt mạnh về tính nhất quán. Bạn đưa ra hình mẫu nhân vật, mô hình sẽ giữ đúng gương mặt và trang phục trong toàn bộ cảnh, kể cả khi biến tấu hình mẫu sang phong cách khác. Ví dụ điển hình là kiểu kết hợp nhân vật hoạt hình 3D vào môi trường thật, với gương mặt và trang phục giữ nguyên từ hình nguồn, tương tác chân thực với ánh sáng, phản xạ, điểm sáng từ đèn đường và bóng đổ. Đây là lựa chọn lý tưởng cho ai cần nhân vật lặp lại, sản phẩm nhất quán, hoặc một diện mạo cố định suốt cả cảnh.

Về kết xuất, bạn có thể tạo ở 480p (nhanh), 720p (cân bằng tốc độ và chất lượng) hoặc 1080p (chất lượng cao). Thời lượng linh hoạt từ 4 đến 15 giây, hoặc để mô hình tự quyết định theo prompt. Tỷ lệ khung hình cũng đa dạng: 16:9 cho ngang, 9:16 cho dọc và mạng xã hội, 1:1 cho vuông, 21:9 cho điện ảnh rộng, 4:3, 3:4, hoặc auto để mô hình chọn tự động. Bạn cũng có thể yêu cầu mã hóa chất lượng cao hơn khi cần tệp lớn, sắc nét và cố định seed để tái tạo kết quả mong muốn (dù vẫn có thể có biến thể nhẹ).

Giới hạn tệp tham chiếu hợp lý cần lưu ý. Hình ảnh có thể là JPEG, PNG, hoặc WebP, tối đa 30 MB mỗi tệp, tối đa 9 hình. Video là MP4 hoặc MOV, tổng thời lượng 2-15 giây, tổng dung lượng dưới 50 MB, mỗi video trong khoảng 480p-720p, tối đa 3 video. Âm thanh (MP3 hoặc WAV), tối đa 3 đoạn, tổng thời lượng không quá 15 giây và tối đa 15 MB mỗi tệp. Lưu ý: nếu cung cấp file âm thanh, bạn phải có ít nhất một hình ảnh hoặc video tham chiếu kèm theo. Tổng số tệp tham chiếu các loại không vượt quá 12.

Ai nên dùng? Đạo diễn và nhà làm phim có thể dựng thử hoặc tạo nhanh các đoạn phim ngắn với ngôn ngữ camera thực tế và âm thanh hoàn chỉnh. Nhà sáng tạo nội dung, producer mạng xã hội có thể biến một mẫu nhân vật thành các clip dọc nhất quán. Quảng cáo hoặc marketing sản phẩm có thể đặt ảnh sản phẩm vào bối cảnh có ánh sáng cùng chuyển động camera kiểm soát được. Họa sĩ hoạt hình, nghệ sĩ đa phương tiện có thể phối nhân vật hoạt hình vào thế giới thật, đúng quy trình mẫu được minh hoạ. Vì sử dụng tài nguyên hình ảnh, video, âm thanh của bạn, mô hình này hoàn hảo khi cần đồng bộ thương hiệu, nhận diện nhân vật, hoặc giữ diện mạo nhất quán quan trọng hơn tạo video hoàn toàn từ văn bản.

Một vài lưu ý để đạt kết quả tốt nhất: Viết prompt như một đạo diễn — mô tả phong cách, ánh sáng/bối cảnh, đối tượng, chuỗi hành động và âm thanh mong muốn, và gắn tag tham chiếu @ cho từng tài sản cụ thể để mô hình nhận diện rõ cần giữ lại phần nào. Giữ file video trong giới hạn độ dài và độ phân giải để sử dụng mượt mà, và đừng quên: thêm âm thanh cần ít nhất một tham chiếu hình ảnh/video. Kết quả đẹp nhất đến từ mô tả hành động chi tiết và chỉ dẫn camera rõ ràng, vì mô hình phản hồi rất tốt ở mức đặc tả kỹ, như các ví dụ về đám đông và đoàn xe phức tạp. Với tham chiếu kỹ lưỡng và chỉ đạo rõ ràng, Seedance 2 Reference to Video mang đến các đoạn phim điện ảnh hoàn chỉnh, âm thanh đồng bộ, giữ trọn vẹn chất liệu bạn cung cấp.