Introdução
Em 10 de fevereiro de 2026, a equipe Seed da ByteDance lançou oficialmente o Seedance 2.0. Diferente de gerações anteriores e concorrentes, não é um esquema de «geração de vídeo + pós-processamento de áudio», mas uma arquitetura unificada de geração conjunta audiovisual multimodal projetada do zero.
Arquitetura central: Unified Multimodal AV Generation
Pipelines tradicionais de vídeo IA geralmente:
- Texto/imagem → geração de frames
- Frames → áudio (ou TTS/música externa)
- Alinhamento e composição posterior
O Seedance 2.0 unifica os três passos em um modelo end-to-end, alcançando geração nativa com áudio e vídeo sincronizados.
Codificador multimodal
Um codificador unificado mapeia texto, imagem, vídeo e áudio ao mesmo espaço semântico:
- Texto: codificação de instruções em linguagem natural
- Imagem: extração de características visuais (até 9 imagens)
- Vídeo: características visuais temporais + movimento de câmera (até 3 clipes)
- Áudio: características espectrais + rítmicas + semânticas (até 3 faixas)
Decodificador conjunto
A decodificação gera frames e formas de onda de áudio simultaneamente com representações intermediárias compartilhadas, garantindo:
- Sincronização labial precisa com a fala (8+ idiomas)
- Ações sincronizadas com sons (passos, impactos)
- Cortes coordenados com ritmo musical
Avanços técnicos chave
1. Consistência temporal longa
Em saídas multishot de 15 segundos, a aparência de personagens, elementos de cena e estilo de iluminação permanecem altamente consistentes — graças ao temporal attention aprimorado e ao cross-shot consistency loss.
2. Seguimento de instruções nível diretor
O modelo compreende instruções complexas muito melhor, suportando:
- Descrições estilo roteiro multishot
- Terminologia precisa de câmera (push, pull, pan, tilt, track, crane)
- Orquestração de eventos na linha do tempo
3. Simulação física realista
Em esportes coletivos, fluidos, tecidos e cenas similares, o Seedance 2.0 se aproxima da física do mundo real.
Desempenho em benchmarks
No Artificial Analysis Video Arena:
- Pontuação Elo: 1269 (n.º 1 mundial)
- À frente de: Google Veo 3, OpenAI Sora 2, Runway Gen-4.5
- Pontos fortes: sincronização AV, seguimento de instruções, consistência temporal longa
Perspectiva
O Seedance 2.0 marca a transição da «geração de clipes» para a «geração de obras audiovisuais completas». Com iterações futuras, podemos esperar maior duração, resolução e capacidades de edição.