Seedance 1.0 - 字节跳动推出的视频生成模型

发布于 2025-06-11 · Seedance 1.0 是字节跳动Seed团队推出的视频生成基础模型。模型支持文字与图片输入，能生成多镜头无缝切换的1080p高品质视频，具备原生多镜头叙事能力，能进行远中近景画面切换，主体运动稳定，画面自然。

Seedance 1.0是什么

Seedance 1.0 是字节跳动Seed团队推出的视频生成基础模型。它支持文字和图片输入，能生成多镜头连贯切换的 1080p 视频，原生多镜头叙事是强项：远景、中景、近景之间切换，主体运动稳，画面也自然。Seedance 1.0 支持写实、动漫、影视等多种风格创作，生成速度快，成本也低。在第三方评测榜单 Artificial Analysis 上，Seedance 1.0 的文生视频、图生视频两个任务均排在首位。

Seedance 1.0的主要功能

多镜头叙事能力：能生成包含多个连贯镜头的叙事视频，远景、中景、近景来回切，核心主体、视觉风格和整体氛围保持一致。
流畅稳定的运动表现：大幅度运动的视频也能生成，从细微表情到动态场景，稳定性和物理真实感都保持得住。
多种风格创作：写实、动漫、影视、广告等风格都能生成。
精准的语义理解与指令遵循：复杂的自然语言指令能解析清楚，多主体互动、多重动作组合控制得比较稳，运镜选择也多。
高速推理与低成本：模型结构做了优化，推理也加速过，Seedance 1.0 能把视频创作的时间压得很短。一个 5 秒 1080p 分辨率的生成任务，实测推理耗时只有 41.4 秒（基于 NVIDIA L20 测试），比同类模型快出不少。

Seedance 1.0的技术原理

多源数据整理与精准描述模型：经过多阶段筛选和均衡，构建出大规模、多样化的视频数据集，主题、场景、风格和镜头运动都覆盖到了。在此基础上训练一个动静态特征融合的密集描述模型，用来生成精准的视频描述（Caption），作为训练数据。模型会关注视频里的动作变化与镜头运动，也强调画面主要元素的性质特点与场景信息。
高效的预训练框架：构建解耦空间层和时间层的扩散 Transformer 模型：空间层在单帧内做注意力聚合，时间层专门算跨帧注意力，训练和推理效率因此提高。它支持视觉 token 与文本 token 的交错序列，可以扩展到多镜头视频的训练，多镜头生成能力和多模态理解力都跟着增强。二元掩码用来指示哪些帧该遵循生成中的控制条件，文本到图像、文生视频、图生视频等任务由此统一到一套框架里。
后训练优化与复合奖励系统：微调阶段用高质量的视频-文本对数据训练，生成视频的美学效果和运动动态会更好。奖励系统是复合的，包含基础奖励模型、运动奖励模型和美学奖励模型，从多个维度提升图文对齐、运动质量和画面美感。再把多个奖励模型的奖励值最大化，结合 RLHF（Reinforcement Learning from Human Feedback）算法，文生视频和图生视频的综合效果都能往上提。
蒸馏与算子优化提速：靠分段轨迹一致性、分数匹配与人类偏好引导的对抗蒸馏机制，在极低推理步数下把生成质量和速度一起往上拉。通道结构细化的轻量级 VAE 解码器，让视频生成路径上的感知质量不受损，速度还翻一倍。系统层面还做了融合算子优化、异构量化稀疏、自适应混合并行、异步卸载与 VAE 并行分解，长序列视频生成的推理路径因此更高效，端到端吞吐和内存效率也更均衡。

Seedance 1.0的性能表现

在第三方评测平台 Artificial Analysis 上，Seedance 1.0 在文生视频（T2V）和图生视频（I2V）两个任务中均位居首位。
在内部基准测试中，Seedance 1.0 与行业其他模型做了对比，Seedance 1.0 在指令遵循、运动质量和美学表现这几个核心维度都表现不错。T2V 任务里，这几项指标的评分都比较高。