摘要： ByteDance Seed 團隊在 2026 年 2 月 12 日推出 Seedance 2.0，改用統一多模態音視訊聯合生成架構，可在同一請求混用文字、圖片、音訊與影片。輸出為 15 秒多鏡頭、雙聲道立體聲影片，音樂、環境音與配音可與畫面同步。官方自列細節穩定性、多主體一致性、文字渲染等弱點，並要求真實人像參考先通過身分驗證或取得授權。
2026 年 2 月 12 日，ByteDance 旗下的 Seed 團隊推出新一代影片生成模型 Seedance 2.0。這一代最關鍵的變化藏在架構裡：上一代 Seedance 1.5 對音訊與視覺是分開處理，2.0 則換上「統一多模態音視訊聯合生成架構」——文字、圖片、音訊、影片四類素材可以混進同一個請求，輸出端一次就能拿到帶著同步聲音的多鏡頭影片。
發布的時間點也值得玩味。Reuters 當天正好刊出以「DeepSeek 衝擊一週年」為題的報導，將 Seedance 2.0 的現身視為低成本中國 AI 模型浪潮的最新一章；而 2 月上旬新模型一路密集發布，本身就是 2026 開年觀察裡「模型加速」路線的延續——只是這一回，戰線由語言模型一路推進到影片生成。
一個請求吃下四種輸入：音視訊統一生成
輸入額度給得相當大方：一次請求能同時參考至多 9 張圖片、3 段影片與 3 段音訊，另輔以自然語言指令。官方特別標舉「多模態全方位參考」——模型會從輸入素材抽取構圖、鏡頭語言、動作節奏與聲音特徵，文字寫成的分鏡腳本也能直接當作輸入。就架構而言，聲音與畫面在同一趟生成中一起產出，模型並對畫面裡的動作維持影格級的感知；對比 1.5 那種「先生成影片、再配音」的兩段式做法，聲音與畫面之間的因果關係自然得多。
15 秒、多鏡頭、多軌立體聲
成品規格：15 秒長度、多鏡頭剪輯、雙聲道立體聲，音軌可同時容納背景音樂、環境音與配音等多軌內容，並與畫面同步。官方釋出的示範案例包括雙人花式滑冰的跳躍與拋舉、竹林中的武俠對決，以及 1920 年代的查爾斯頓舞——看點不在題材本身，而在多主體互動與物理合理性，這兩項正是影片模型最容易出錯的地方。模型另可依 prompt 規劃運鏡、對既有片段進行角色或劇情層面的編輯，也提供「續拍」式的影片延伸。中文內容創作者還多得一項利多：官方宣稱模型面對方言、傳統戲曲與演唱場景時，指令遵循明顯進步。
中國先行、全球隨後的推出節奏
Seedance 2.0 比照多數中國模型的慣例，先於中國境內上線，國際版本隨後交由第三方平台接手提供。getimg.ai 就是一例：Seedance 2.0 與 Google Veo 3.1、Sora 2 Pro、Kling 3.0 Pro 共用同一個訂閱方案，月費 8 美元起。海外創作者這端，接入成本不過是「多一個下拉選單」，稱不上一筆新的採購決策；ByteDance 那端，這條通路把模型直接送上與美國模型同一張比較表。
官方自列的短板與肖像授權紅線
官方部落格少見地把已知弱點逐項攤開：細節穩定性、超寫實人像、偶發的音訊失真、多主體一致性、文字渲染與複雜編輯效果。授權紅線更值得盯緊——一旦以真實人物的肖像充當主體參考，就得通過身分驗證，或在事前取得法律授權。2026 年深偽訴訟持續升溫，這條規則對產品團隊的分量不亞於模型能力本身：凡是「上傳照片生成影片」類的功能，都得先把這道驗證流程納入設計。
創作者與產品團隊該看什麼
有三個觀察。其一，「帶聲音的 15 秒」會重塑短影音工作流：配音、音效與剪輯原本分屬三個步驟，如今是同一個 prompt 的輸出。其二，多模態參考讓「素材庫」升級成輸入介面——9 張圖搭配 3 段影片，就足以撐起一支廣告腳本所需的視覺與角色延續性。其三，平台戰局的格局已經底定：Veo、Sora、Kling 與 Seedance 在同一個訂閱方案裡正面交鋒，差異化的戰場會移向控制精度、多主體一致性與授權合規，而非單純的畫質較量。