字節發Seedance 2.0論文，詳解四大核心能力，評測細節披露

智東西
作者 楊京麗
編輯 李水青

智東西4月17日報道，4月15日，字節Seed團隊發布Seedance 2.0技術論文，《Seedance 2.0：推動視頻生成應對復雜世界》（Seedance 2.0: Advancing Video Generation for World Complexity），論文系統展示了這款多模態視頻生成模型的核心能力與評測結果。

▲字節發布Seedance 2.0論文

今年2月初，Seedance 2.0發布并上線，目前已接入豆包、即夢AI和火山引擎，模型ID為doubao-seedance-2-0-260128。此外，字節還提供了加速版Seedance 2.0 Fast，面向低延遲場景。

相比前代Seedance 1.0和1.5 Pro，Seedance 2.0最大的變化是從“生成短視頻片段”走向了“支持多種控制信號的可控視頻合成”，它采用統一的、大規模的多模態音視頻聯合生成架構，原生支持文本、圖像、音頻、視頻四種輸入模態。在開放平臺上，它最多可同時接收3段視頻+9張圖+3段音頻作為參考，直接輸出4–15秒、480p或720p分辨率的音視頻內容。

▲Seedance 2.0生成視頻

從字節公布的評測結果看，對比Kling 2.6、Kling 3.0、Sora 2 Pro、Veo 3.1、Seedance 1.5等模型，Seedance 2.0在文生視頻（T2V）、圖生視頻（I2V）、參考生視頻（R2V）三大任務的所有維度上均取得第一；在Arena.AI評測平臺上，Seedance 2.0曾登頂T2V和I2V雙榜，目前T2V榜首已被HappyHorse-1.0反超，Seedance 2.0以微弱差距位列第二。

值得注意的是，這是一篇側重“能力評測與產品落地”的技術論文，并未深入披露模型架構與訓練細節。

論文的評測結果主要基于字節自建評測集SeedVideoBench 2.0。該框架是SeedVideoBench 1.5的升級版，新增了多模態任務評估體系（覆蓋參考、編輯、擴展、組合四大任務組）和敘事質量評價體系（含鏡頭語言、情節設計、風格美學三個子維度），采用客觀+主觀雙軌評分。

論文鏈接：https://arxiv.org/abs/2604.14148
Seedance 2.0官網：https://seed.bytedance.com/seedance2_0

一、遵循真實世界規律，高保真音視頻生成

作為一款原生多模態音視頻生成模型，Seedance 2.0在視頻與音頻生成的所有關鍵子維度上都帶來了實質性、全面的能力提升，并在專家評估和公眾用戶測試中，展現出與行業領先水平相當的表現。字節在論文中介紹了Seedance 2.0的四大核心能力：

1、真實世界復雜性生成。Seedance 2.0在人體運動建模的自然度、時序連貫性與物理合理性方面大幅提升，能生成時序精確的復雜交互場景，嚴格遵循真實世界運動規律，緩解此前常見的生成偽影。特寫鏡頭下，光線折射、人物與環境互動等細節接近實拍素材；多主體交互與復雜運動場景的可用率明顯高于近期商用模型。

2、強多模態能力。模型可準確解析多模態輸入，在畫面構圖、鏡頭設計、運動節奏、聲學特征等維度嚴格遵循指令，并支持直接引用文本分鏡腳本。即便面對大量角色交互和精細動作描述的復雜腳本，也能維持主體身份一致性；同時具備基礎的導演與攝影推理能力，可自主規劃分鏡序列和視覺呈現模板。2.0版本還新增了視頻編輯與續寫功能，支持對指定片段、角色、動作或情節做定向修改，或對已有素材做無縫延展。

3、高保真音視頻生成。搭載升級版音頻生成模塊，集成雙耳音頻技術，可同時輸出背景音、環境音效、角色配音等多軌道內容，對細微自然環境音也能忠實還原，并與畫面節奏精準對齊，為專業級音視頻內容創作提供支撐。

4、生產力場景應用。在商業廣告、影視特效、游戲動畫、解說視頻等多類用例下展現強跨場景適應性。字節認為，以AI生成替代傳統視覺特效與實拍工作流，可顯著降低專業音視頻內容的制作成本、縮短制作周期，幫助創作者與企業落地創意。

從Seedance 1.5到Seedance 2.0，生成框架由音視頻同步生成轉變為統一多模態音視頻聯合生成，字節Seed團隊稱，Seedance系列始終圍繞統一架構構建，核心目標是高保真重建真實世界的復雜性。

二、文生視頻：運動質量斷層領先，物理建模明顯改善

在文生視頻（T2V）任務上，字節團隊將Seedance 2.0與Kling 2.6、Kling 3.0、Sora 2 Pro、Veo 3.1、Seedance 1.5五款同期模型進行了系統對比，評測覆蓋運動質量、視頻指令遵循、美學、音頻質量、音畫同步、音頻指令遵循六個維度。

從整體得分看，Seedance 2.0在全部6個維度上均排名第一，是唯一在所有維度上得分均超過3.4分（5分制） 的模型，平均比Seedance 1.5提升0.86分，其中運動質量維度提升最大，提高1.36分；運動質量與音畫同步兩項均達3.75分，領先第二名至少0.65分。

▲T2V六維度總體評分對比

運動質量是Seedance 2.0相比1.5版本提升最大的單項。在30個細分類別中，Seedance 2.0在29項上排名第一（僅群體協同運動與Kling 3.0并列），得分區間3.29-4.43，其中多實體特征匹配（4.43）、構圖（4.25）、剪輯節奏（4.21） 三項均超過4.0。

更值得關注的是，Seedance 2.0在物理建模上明顯改善：Seedance 1.5此前在物理反饋（1.69）、自然現象（2.00）、激烈運動（2.00）等維度上得分偏低，2.0版本均提升超過1.5分。

▲T2V運動質量維度評分

美學是競品差距最小的維度。Seedance 2.0在30個細分類別中的28項上排名第一（包括并列第一），整體得分區間2.79–4.14。得分最高的維度為視覺風格（4.14）、長腳本（4.14）、構圖（4.13）。

從競品看，Kling 3.0在13個美學類別上得分超過3.5，最強項為超現實運動（3.86）、同類型交互（3.79）與構圖（3.75）；Sora 2 Pro與Veo 3.1在假日、消費特效等類別上明顯偏弱（均跌至2.5分以下）。

▲T2V美學維度評分

音頻質量也是Seedance 2.0的優勢之一。在17個細分類別中全部排名第一，得分區間2.82–4.17。其中英語（4.17）、語音+動作交互（4.00）、少數民族語言（3.82）、環境/背景音（3.78） 為最強項。

相比Seedance 1.5，提升最顯著的三項分別是中文戲曲（2.50→3.75）、英語（3.00→4.17）、演唱/說唱（2.71→3.71）。

從競品側看，除Sora 2 Pro的演唱/說唱（3.67）外，沒有任何競品在任何單一類別上得分超過3.2分。Kling 3.0在演唱/說唱和環境/背景音上較前代Kling 2.6出現回退。整體來看，競品普遍存在音頻渾濁、噪聲明顯、層次感弱的問題，尤其在復雜音效與人聲清晰度上短板突出。

▲T2V音頻質量維度評分

三、圖生視頻：音頻領先較大，圖像保持競爭激烈

在圖生視頻（I2V）任務上，字節將Seedance 2.0與Wan 2.6、Kling 2.6、Veo 3.1、Kling 3.0、Seedance 1.5 Pro五款同期模型對比，評測覆蓋視頻側運動質量、視頻指令遵循、圖像保持和音頻側音頻質量、音畫同步、音頻指令遵循六個維度。

▲I2V六維度總體評分對比

Seedance 2.0在全部6維度均排名第一，得分區間3.31–3.70，沒有任何競品超過3.18分；其中圖像保持各個視頻模型競爭較為激烈，Kling 3.0僅落后0.13分，運動質量則拉開0.55分差距。音頻依舊是競品的集體短板，Kling 2.6（2.21）、Wan 2.6（2.18–2.55）三項均低于3.0分，排名第二的Seedance 1.5 Pro也落后0.54–0.60分。

▲視頻及音頻維度下的I2V可用性及滿意度評分

可用率與滿意率上，Seedance 2.0是唯一在全部6個維度可用率均超過87%的模型：運動質量滿意率43.88%，約為次席Kling 3.0（12.00%）的3倍以上；視頻指令遵循滿意率47.48% vs Veo 3.1的20.54%。音頻差距更懸殊——音頻質量滿意率57.08%，而Kling 2.6、Wan 2.6的可用率甚至不足28%，意味著大多數競品音頻輸出直接不可用；音頻指令遵循滿意率63.52%，分別是Seedance 1.5 Pro（37.77%）的1.7倍、Kling 2.6（5.70%）的10倍以上。

除打分外，字節團隊還觀察到Seedance 2.0在格斗、舞蹈等場景能混合慢動作高光與快速動作，人物表情眼神更生動；運鏡多變，新增第一/第三人稱游戲視角與手持呼吸感；在毛氈、油畫、工筆等特殊畫風下保持視覺連貫；中英文對白承載情感層次，四川話、東北話、粵語等方言還原準確；語音、音效與背景音多軌配合自然。

四、參考生視頻：綜合實力強，多模態任務支持范圍廣

在參考生視頻（R2V）任務上，字節將Seedance 2.0與Vidu Q2 Pro、Kling O1、Kling 3.0三款模型對比，評測覆蓋多模態任務遵循、編輯一致性、參考對齊、運動質量、提示遵循五個維度。

▲R2V總體評分對比

Seedance 2.0在全部5個維度上均排名第一：多模態任務遵循2.50、提示遵循2.52（均為1–3分制），編輯一致性3.54、參考對齊3.03、運動質量3.24（均為1–5分制）。差距最大的是運動質量（領先競品0.86–0.94分）和參考對齊（領先0.66–1.24分），最小的是編輯一致性（Kling 3.0僅落后0.17分）。

▲不同模型R2V多模態任務支持情況

更值得關注的是多模態任務支持的廣度對比。Seedance 2.0支持22項輸入模態任務中的20項，覆蓋范圍為評測中最廣；相比之下Kling 3 Omni支持9項、Vidu Q2 Pro支持13項、Kling O1僅支持10項。其中視覺特效/創意參考（3種變體）和續寫/擴展（4種變體）合計7類任務完全只有Seedance 2.0能處理，這是Seedance 2.0在R2V任務層面最顯著的差異化優勢。

不過，Seedance 2.0并非沒有短板。在視頻擴展（Extension）任務上，Veo 3.1以2.78的任務遵循得分（88.89%的3分率）明顯領先Seedance 2.0的1.93（31.82%），參考對齊也是Veo 3.1的3.44高于3.28，論文直言這是Seedance 2.0在R2V中最弱的單項。字節解釋，Seedance 2.0可接受任意上傳視頻進行擴展，而Veo 3.1只能擴展自己生成的視頻，輸入范圍更廣的代價是質量穩定性下降。

五、結語：視頻生成更加精細，貼合真實物理世界

從論文來看，Seedance 2.0在視頻生成與音頻生成兩大板塊都展現出相當強的綜合實力，這也是字節在生成式媒體技術上長期積累的集中體現。

不過，還需注意這篇論文有其時效性邊界，論文引用的評測數據截止于2026年4月上旬，并未納入此后涌現的新競爭者——近期登頂榜單的HappyHorse-1.0。字節團隊也承認，Seedance 2.0仍存在輕微形變偽影、邊緣場景運動合理性、高頻視覺噪聲、音頻失真與多人口型同步誤差等問題。

放在更大的視角，視頻生成賽道對于新老玩家的要求正愈發嚴格，對于精確控制、音畫同步、貼近真實物理世界的要求越來越高。不得不說新模型加入的速度，比論文發表的速度快多了。