scenario-seedance

Scenario Seedance 视频

概览

Scenario 上的 Seedance（字节跳动的视频系列）将以下所有模式整合到一个模型中，并根据你的输入推断使用哪种模式，因此，你传入的条件比提示词措辞影响更大。使用 search 进行探索，并将 model_schema_get 视为约定：各个成员并行发布，结构一致，但每个数值都不同。

有关连接和核心流程，请参阅此仓库中的 scenario 技能；有关与模型无关的视频工作，请参阅 scenario-video 技能；有关基于分镜在剪辑间保持编排一致性，请参阅 scenario-seedance-storyboard 技能。如果你可用的技能中缺少此处提到的某个同系列技能，请让用户安装（npx skills add scenario-labs/skills --skill <name>）；若需无人值守地继续，请根据工具架构操作，并指出这一缺失。

快速参考

模式取决于输入（名称来自实时架构）：

模式	输入	行为
文本	prompt	遵循 aspectRatio（21:9 至 9:16）
首帧	image（+ prompt）	从该帧开始；忽略 aspectRatio，尺寸遵循 resolution，比例可能只能接近目标值
首帧 + 尾帧	image + lastFrameImage	lastFrameImage 仅在同时提供 image 时有效
参考	referenceImages	保留身份和世界设定，而非开场状态
编辑	referenceVideos + 编辑提示词	需要 duration: -1；输出遵循源视频
延长	referenceVideos + 延长提示词	根据措辞推断：“extend @video1”、需要保留的内容（角色、服装、光线）、延续的动作，以及不中断的要求；画面几何遵循源视频；duration 是追加的片段时长，输出仅包含该尾段（创作时，一段 10 秒的源视频设置 duration 为 15，返回了 15 秒的新片段；Auto 按源视频时长计价），因此请将源视频与尾段拼接，并通过 asset_get 查看交付时长
image 和参考数组不能同时使用。referenceVideos（动作条件）和 referenceAudio（节奏与能量，或说话者的声音）可与 referenceImages 组合使用；在 2.0 系列中，参考音频还需要一张图像或一个视频作为参考，而 2.5 可以单独使用参考音频。即使只有一个素材，参考参数也必须是数组。提示词标签按数组顺序绑定：@image1 对应 referenceImages[0]，@video1 和 @audio1 也同理；提示词要说明每个标签控制什么、不控制什么（“@image1 定义瓶子和标签，不包括布景”），视频和音频标签也一样。如果将 3D 预演视频作为 @video1，视频里每个会动的肢体都会被带入，因此分步或带骨骼的行走动作会显得僵硬或滑步。使用无腿的胶囊体替身（scenario-blender-blockout 会构建这类替身），并用一句话说明它们仅标记位置、高度和速度，让模型自行生成步态。没有种子、遮罩或摄像机参数：摄像机运动写在提示词中，每个镜头只设一个主要运动和一个动作。多个动作按带时间码的节拍编写（“0-2s ... 2-4s ...”），每个节拍一个动作，最后一个节拍在 duration 结束前收尾，并将镜头描述为一个连续长镜头。

如果提示词没有明确说明某条参考音轨的用途，模型很容易忽略它，生成的语音尤其如此，因此要用文字明确绑定其角色：语音可写“@audio1 是她自己的声音；她对着镜头说出这段话，口型与声音同步”，音乐可写“摄像机运动和每个动作都与 @audio1 的节拍同步”。

duration 默认为 Auto；在编写本文时，2.5 会按完整的 30 秒上限为文生视频任务计价（同样的 480p 提示词报价约为 8 秒任务的四倍）。每次运行都应设置镜头所需的秒数；使用 referenceVideos 时，Auto 则会采用最长参考视频片段的时长。

各成员的上限各不相同，请通过 model_schema_get 查看。在编写本文时，2.5 支持 30 张参考图像、10 个视频、10 段音频、4 到 30 秒，最高 1080p；2.0、Fast 和 Mini 分别支持 9、3、3 和 4 到 15 秒，只有 2.0 支持 4k，Mini 不支持 lastFrameImage。不同成员之间的价格差异远大于上限差异：一个 4 秒 480p 任务的价格在整个系列中相差六倍，因此批量运行前，应先对两个成员使用同一任务执行 dry_run。

草稿模式。 在 Seedance 2.5 上设置 draft: true 可生成低成本的 480p 预览（忽略 resolution）。model_bytedance-seedance-2-5-draft-complete（编写本文时可用；输入为 draftVideo）可在 7 天内将其转为相同的 1080p 视频。只对最终选定的镜头执行完成操作：以 1080p 重新运行提示词会生成不同的视频。请参阅 scenario-seedance-drafts 技能。

条件控制规则

在参考模式下，第一帧会锚定到参考世界的基础状态，提示词措辞无法覆盖这一状态。如果镜头必须以特定状态开场，请将其渲染为静帧并作为 image 传入；如果只需要身份、世界和色彩风格，则使用 referenceImages。在生成前逐个镜头做出这个决定，比调整提示词更重要。

镜头内的声音，别处的音乐

generateAudio（默认值为 true）是控制整条音轨的开关：它既为镜头配乐，也生成声音。写在某个镜头里的配乐不会延续到剪辑点之后，因为每个镜头都会自行生成调性和节奏，而下一个镜头会重新开始。

因此，要把两条轨道分开处理。保留 generateAudio: true，生成画面本身产生的声音：脚步声、撞击声、室内环境音、对白，让每种声音都与画面同步，并且只描述这些声音（“仅限画内音：鞋跟踩在瓷砖上的声音、室内环境音”）。绝不要描述要排除的内容：“no music”会被音频过滤器读取；被 OutputAudioSensitiveContentDetected 拦截的音轨通常都与这类排除性描述有关。因此，在切换提供方之前，先在同一模型上重试，并正面描述所需声音：过滤器读取的是措辞，而非提供方（参见 scenario-moderation skill）。对白要加引号，长度要与片段时长相称，并注明说话者以及两三个词的表达方式。用音乐模型为整段序列配一次乐（参见 scenario-audio skill），再把这条音轨铺到剪辑完成的视频上（参见 scenario-video-assembly skill；如果先有歌曲，则参见 scenario-seedance-music-video skill）：重新配乐只需运行一次音频模型，不必重新处理每个镜头。

提示词是唯一可调的手段，所以要听听生成结果：如果混入了音乐，就将该镜头的 generateAudio 设为 false 后重试，并用音效模型或视频转音频模型添加声音。

成片被拦截时

如果某一行状态为 failed，且错误中包含 OutputVideoSensitiveContentDetected（通常还包含 PolicyViolation，有时会表述为可能涉及版权），说明提供方正在筛查渲染完成的视频。过滤器适用于整个模型系列，所以 Seedance 的同系列模型也会拒绝相同的输入；原样重试只会再次生成同样的结果。按 scenario-moderation skill 中的说明处理：先切换到其他提供方，提示词保持不变，只需按照替代模型的 schema，将 @image 标签移到它专用的参考字段中。对于 recommend，文生视频使用 txt2video，首帧和参考图任务使用 img2video，编辑和延长任务使用 video2video。编写时的两项观察决定后续做法。屏幕上的角色如果被识别为现有知识产权，无论怎样措辞都会被拦截：某家工作室的知名角色生成失败，而同一工作室不太知名的角色在提示词不变的情况下却通过了。武器和伤害相关词汇（“axe”“blade”“eliminated”）即使在卡通场景中也会触发过滤；此时才应采用该 skill 中唯一适当的改写方式。如果切换提供方并进行改写后仍被拦截，例如涉及团队自有角色时，请告知用户可通过 [email protected] 联系支持团队，并提供失败任务 ID。无人值守时，只能在任务授权的预算范围内切换提供方；否则就停止操作，并报告拦截情况及失败任务 ID。

操作示例：使用参考图生成产品镜头

1. 使用 target="models"、query="seedance"、public=true 运行 search。优先选择最新的、未弃用的结果，例如 model_bytedance-seedance-2-5（编写时仍可用；每次会话都要重新发现）。
2. 使用该 ID 运行 model_schema_get：先查看字段、限制和默认值，再进行其他操作。
3. 使用 upload_asset 上传产品静帧（参见 scenario skill），获取资源 ID。
4. 使用该 model_id 运行 model_run，设置 dry_run=true，并使用以下确切的 parameters={"prompt": "@image1 defines the bottle and label. Slow dolly-in as condensation beads. Diegetic sound only: droplets on glass, soft room tone. No text, no captions.", "referenceImages": ["asset_a", "asset_b"], "duration": 8, "resolution": "720p", "generateAudio": true} 估算费用；更改时长、分辨率或参考图后，都要重新估算。
5. 再次运行 model_run 并设置 wait=false，然后使用返回的任务 ID 调用 jobs_wait；超时时使用 pending_job_ids 再次调用，切勿第二次运行 model_run。
6. 使用 asset_display 显示输出，并在添加音乐前播放视频和声音。

常见错误

• 在参考模式下提示开场状态：它不会出现；请将其作为 image 传入。
• 在架构要求数组时传入裸字符串：即使只有一个参考项，也要使用 ["asset_x"]。
• 同时使用 image 与 referenceImages 或 referenceVideos：这些输入互斥。
• 将 duration 留在 Auto：对于 2.5，文生视频任务会按 30 秒上限计价，而非按镜头时长计价。
• 在角色参考旁传入一段语音轨，却不说明声音属于谁：模型可能会让角色面部动起来，并忽略语音轨。
• 将某个成员的上限或价格套用到另一个成员：30 个参考项、30 秒和 1080p，对某个成员成立，对另一个则不成立。
• 让各个镜头自行评分，然后再将它们剪在一起：音乐会在每次剪切时重新开始。
• 在启用音频的提示词中写“不要音乐”：此排除要求会触发音频过滤器；请正面描述声音，或关闭 generateAudio。
• 渲染字幕、价格、徽标或 UI：预留干净空间，并在后期合成文字。
• 在 Seedance 或 Seedance 同系列模型上重试被输出审核拦截的内容：过滤器适用于整个系列，因此请先切换提供商（scenario-moderation 技能）。