Seedance

Seedance 2.0 是 ByteDance 的第二代视频模型，由该公司的 Seed 研究团队开发，于 2026 年 2 月 12 日向中国用户发布，随后于 4 月 9 日通过 fal.ai 开放全球 API 访问。截至 2026 年 6 月，它在 Artificial Analysis Video Arena 的带音频文生视频 (1,215)、带音频图生视频 (1,193) 以及无音频图生视频 (1,344) 领域均占据 ELO 排名第一的位置，领先于 Veo 3.1、Kling 3.0 和 Runway Gen-4.5。这绝非营销话术，而是每一个严谨的 AI 视频团队都在关注的、由大众投票产生的排行榜。

在机制上，Seedance 与所有竞争对手的区别在于其输入的灵活性：单次生成可接受多达 12 个混合文件，涵盖文本、最多 9 张参考图像、最多 3 段视频剪辑以及最多 3 条音频轨道。它能生成 4 到 15 秒、最高 2K 分辨率的视频片段，并免费提供原生同步音频（音效、音乐以及支持 8 种语言唇形同步的对话），在一次渲染中即可处理带有自然转场的多镜头序列，并支持从 9:16 到 21:9 的六种宽高比。中国用户可通过 Jimeng 应用访问，国际用户可通过 Dreamina 应用和 CapCut Pro 访问，此外还提供 Volcano Engine 企业级 API，以及 fal.ai、Replicate 和 Segmind 等第三方 API 接入。

Seedance 在 2026 年 6 月的输出表现

Seedance 2.0 可生成 4 到 15 秒的视频片段。原生输出分辨率为 480p 和 720p，Pro 级别支持 1080p，通过 Volcano Engine 的 Cinema 级别可达 2K。音频是原生生成的，而非后期拼凑：背景音乐、环境音效和口语对话在同一次渲染中同步生成，并且该模型接受音频文件作为参考输入，这是 Veo 3 和 Kling 都无法做到的。只需输入一段 30 秒的音轨并指示其根据节拍剪辑画面，输出的视频就会完美契合音乐节奏。

多镜头能力比听起来更重要。如果你要求生成一个三镜头的惊悚片段，Seedance 会返回一个包含不同摄像机设置和自然转场的完整视频，而不是需要你手动拼接的三个独立片段。结合参考锁定功能（在批量生成中保持相同的角色面部和产品一致），这是目前所有模型中最接近导演工作流而非“老虎机”式随机生成的体验。

标准片段的生成需要 90 到 120 秒，比大多数竞争对手都要慢。arXiv 论文 (2604.14148) 将其架构描述为多模态音视频联合生成的统一框架，据报道，Seedance 2.1 预览版承诺将提升 20% 的质量并推出更便宜的 Mini 级别，但具体发布日期尚未公布。

Seedance 与 Veo 3 和 Kling 3.0 的对比

与 Veo 3 相比，这是控制力与集成度之间的权衡。Veo 3 在单一的端到端流程中生成音频和视频，因此对话和环境声音具有自然的空间定位；Seedance 则将音频作为协调的独立层生成，这赋予了对单个元素更多的控制权，但有机融合度略逊一筹。Veo 3 拥有专门针对重力、流体和碰撞的物理模拟，而 Seedance 则是从参考视频中复制运动。不过，Seedance 支持 12 个混合输入文件，而 Veo 仅接受提示词和一张图像；Seedance 可生成 15 秒的片段，而 Veo 只有 8 秒；在成本方面，Seedance 生成一段 10 秒 1080p 带音频的片段大约只需 $0.60，而 Veo 则高达 $2.50，是同类产品中最昂贵的。

与 Kling 3.0 相比，在原始运动表现上的差距则截然相反。Kling 是运动大师：物理准确性被评论家评为优秀，支持原生 4K 60fps，并且是同类产品中最便宜的，每 10 秒大约只需 $0.50。Seedance 的反击在于其领先的基准测试成绩（在带音频文生视频中 ELO 为 1,215，而 Kling 为 1,099）、Kling 完全缺乏的音频参考输入，以及 12 输入多模态系统（Kling 仅支持一两张参考图像）。对于需要在同一次生成中锁定角色外观并控制配乐的团队来说，Kling 无法提供同等的功能。

至于 Vantaige 读者会问到的与 Gemini Omni 的对比：Seedance 在综合 ELO、解剖学准确性以及短片段的高动作电影感方面处于领先地位，这正是为什么多位评论家在 Omni 发布时将其与 Seedance 进行基准测试并发现 Omni 落后的原因。Omni 的优势在于跨多轮的对话式迭代编辑，这是 Seedance 无法做到的；而 Seedance 则以角色替换、场景扩展和风格迁移等作为独立操作运行的原生编辑功能予以回击。排行榜没有显示的一个注意事项是：在接近 12 到 15 秒且具有复杂多角色互动的片段中，评论家一致记录了肢体运动的微小不一致。其在解剖学上的领先是真实的，但在 12 秒以内最为明显。

“在高速动作场景测试中，Seedance 2.0 展现了动态的摄像机角度、电影级的运动模糊、逼真的物理效果、强大的环境细节以及清晰的主体可读性。” - Runbo Li，Magic Hour 首席执行官，2026 年 4 月

使用 Seedance 生成的真实成本

定价完全取决于你的访问渠道。最便宜的可靠途径是 fal.ai：Fast 级别每秒 $0.022（一个 10 秒的片段约 22 美分），Standard 级别每秒 $0.247，包含同步音频。官方的 Volcano Engine API 将文生视频的定价设在每秒 $0.14 到 $0.15 左右，被中国财经媒体称为“一元一秒”时代。Segmind 每 8 到 10 秒的片段大约需要 $0.71，值得注意的是，它是唯一一家在没有额外审核层的情况下运行该模型的提供商。

消费者访问方面，中国用户可通过 Jimeng 订阅，每月约 $9.60；国际用户可通过 Dreamina 订阅，积分套餐从每月 $18 到 $84 不等，此外还有 CapCut Pro，该软件于 2026 年 4 月开始在全球范围内捆绑 Seedance。Jimeng 上的每日免费登录积分和 Dreamina 上的试用积分确实存在，但仅供评估使用，无法满足实际工作需求。每生成一段 10 秒 1080p 带音频片段的成本对比：Seedance 约 $0.60，Kling 约 $0.50，Sora 2 约 $1.00，Veo 3.1 约 $2.50。

Seedance 经常出现问题的地方

内容过滤器是用户抱怨最多的问题，而且这是结构性的。在大多数平台上，过滤器会在模型看到提示词之前对其进行拦截，拒绝面部参考、头盔和眼镜描述、名人姓名、徽标以及 ByteDance 自身营销中展示为功能的风格请求。武打编排、恐怖概念和前卫的广告创意经常被屏蔽。

“创作者花费大量时间重写提示词以绕过过滤器，而不是专注于实际的创作工作，他们是在与过滤器作斗争，而不是制作他们最初想要制作的东西。” - Rohit Rao，Segmind 博客，2026 年 4 月 8 日

还有三个被记录在案的模式。访问阻力：从 2026 年 2 月到 4 月，功能齐全的 Jimeng 应用需要中国手机号码和支付方式，VPN 绕过方法经常被封禁；fal.ai API 和全球 Dreamina 的推出为开发者解决了这个问题，但失去的几个月让 ByteDance 错失了在西方市场的早期势头。速度：每个片段 90 到 120 秒意味着在 15 分钟的构思会议中只能产出 6 到 12 个片段，而速度更快的竞争对手能达到两倍。操作复杂性：多模态输入系统奖励那些像导演一样思考的人，而惩罚随意的提示词使用者；薄弱的参考会产生薄弱的输出，评论家一致指出，与 Kling Standard 或 Runway 等以提示词为主的工具相比，它对初学者不够友好。

发布本身就是 AI 视频领域的年度大事件。在 2 月 12 日发布后的 48 小时内，Tom Cruise 大战 Brad Pitt 以及光剑决斗的片段淹没了 X 和 Reddit。Disney 于 2 月 13 日发出停止侵权通知，Paramount 于 14 日紧随其后，Motion Picture Association 和 SAG-AFTRA 于 15 日谴责了该模型，ByteDance 则在 16 日添加了 C2PA 水印并收紧了安全措施。在发布前两天，ByteDance 还暂停了一项“面部转语音”功能，因为一位评论家展示了它可以从照片中重建一个人的说话声音。编剧 Rhett Reese（Deadpool and Wolverine）在那一周发帖称：“我不想这么说。但对我们来说，可能已经结束了。”今天让创作者感到沮丧的严格过滤器，正是那场法律连锁反应的直接残留物。

最佳用例与不适用场景

Seedance 是目前大规模效果营销的最强选择：在 9:16、16:9 和 1:1 的批量变体中锁定产品图像和品牌代言人，并直接渲染音乐，无需重拍，无需后期添加音频。它在预演方面同样强大，带有参考摄像机运动的三镜头脚本序列可以在一次渲染中返回可用于提案的粗剪版本，而且它是唯一适合音频驱动内容的顶级模型，因为它接受音轨作为输入。构建视频工作流的开发者能以 fal.ai 的价格获得基准测试的领跑者，多语言团队则能获得 Hailuo 和 Pixverse 都无法匹敌的 8 种语言唇形同步功能。

如果你只想输入一句话就得到一个视频，请跳过它；Kling Standard 和 Runway 要友好得多。如果你需要原生 4K（选 Kling）、不受限制的创作范围（通过 AI Studio 使用 Veo 3，或者如果你接受第三方风险，可使用 Segmind 未经过滤的 Seedance）、需要快速迭代（90 秒的延迟会不断累加），以及需要超过 15 秒且无需拼接的片段，也请跳过它。4.4 的评分反映了贯穿始终的同一等式：在独立测量中客观上最好的视频模型，价格低于竞争对手，但由于与自身用户作对的过滤器、缓慢的渲染速度以及在长片段末端不稳定的物理效果，阻碍了其获得更高的评分。Vantaige 上值得比较的相关模型：用于开放权重的 WAN，以及 ByteDance 面向消费者的兄弟产品 Jimeng。