Seedance 2.0：从"文生视频"到"分镜脚本"的多模态视频生成范式
Seedance 2.0：从"文生视频"到"分镜脚本"的多模态视频生成范式
来源类型： 产品评测 + 教程指南
日期： 2026-06-17
标签： #Seedance2.0 #字节跳动 #即梦 #多模态视频 #AI视频生成 #@引用机制
核心论点
字节跳动即梦 Seedance 2.0 把"AI 生视频"从"打文字描述、靠运气"提升到"递分镜脚本、图声画全到位"的工程化阶段。核心创新不是模型更大，而是输入模式的解耦——支持 4 种输入（图片/视频/音频/文字）自由组合生成 4-15 秒视频。
四大输入模态
| 类型 | 数量限制 | 时长限制 | 作用 |
|---|---|---|---|
| 图片 | 最多 9 张 | - | 角色长相、场景风格、产品外观 |
| 视频 | 最多 3 个 | 总时长 15s 内 | 参考运镜方式、动作节奏 |
| 音频 | 最多 3 个 MP3 | 总时长 15s 内 | 指定配乐、音效、音色 |
| 文字 | 自然语言 | - | 描述画面和动作 |
四种混合上传，总共不超过 12 个文件，输出 4-15 秒视频，自带音效和配乐。
最核心操作：@引用机制
上传完素材后，必须在提示词中用 @素材名 显式告诉模型每个素材的用途。
指定角色形象：@图片1 作为角色形象参考
参考运镜方式：@视频1 的运镜效果和转场
指定配乐：@音频1 用于背景配乐
指定首帧：@图片1 作为首帧
组合使用：@图片1 作为角色形象，参考 @视频1 的镜头语言
最大坑：上传了素材但提示词里没有 @ 引用 = 白传（生成效果跟纯文字生成没区别）。
这是典型的"工程化使用门槛"——比模型能力更影响实际产出。
提示词四大写法（可直接复制）
官方手册给出黄金公式——具体 4 个写法见原文，每种对应不同应用场景（角色 IP / 创意镜头 / 节奏卡点 / 产品展示）。
与传统"文生视频"的本质区别
- 过去：给 AI 发条微信语音，让它自己猜你想要什么——效果全靠运气
- Seedance 2.0：给 AI 递分镜脚本，图、声、画全给到位，它照着拍——可控性提升一个量级
应用场景
- 角色 IP：定义固定角色形象跨多个镜头
- 创意镜头：参考已有视频的运镜
- 节奏卡点：配合音频做视频节奏
- 产品展示：图片 + 文字的产品视频
与已有知识的关联
- wiki/entities/bytedance — 字节跳动（即梦母公司）
- wiki/entities/jimeng — 即梦（字节视频生成产品）
- wiki/concepts/multimodal-generation — 多模态生成
- wiki/concepts/video-generation-models — 视频生成模型谱系
- wiki/concepts/prompt-engineering — 提示词工程
资料来源
- 原文：https://mp.weixin.qq.com/s/xEHGIvnOa840BCA-StH1Lg
- 原始文件：
raw/articles/Seedance 2.0 从入门到出片，我花一天替你跑通了。直接抄.md - 作者：阿木易（设计师 + AI 编程研究者）
我的判断（高置信度）
Seedance 2.0 的真正意义不在"视频生成质量"，而在"输入模式的解耦"——把"提示词"拆成"图/视频/音频/文字"四种独立通道，让创作者用各自擅长的方式精确控制生成。
这是多模态生成从"消费级玩具"走向"生产级工具"的关键转折。对标 Runway Gen-4 / Kling 1.6 / Sora 2.0 / Vidu 的差异化在于：@引用机制——它把"AI 模型"变成了"AI 摄影师"，让用户像导演出分镜脚本一样精确控制每一帧。
预测：
- 2026 H2：@引用机制将成为多模态视频生成的事实标准
- 2027：所有头部视频生成模型都会跟进"输入解耦 + 显式引用"模式
- 2028：多模态生成从"娱乐工具"扩展到"商业生产工具"——广告、电商、教育将成为首批规模应用场景