什么是 Seedance 2.5？字节跳动多模态视频模型详解

Seedance 2.5 是字节跳动的新一代视频模型。它的设计目标是接受文本、图像、视频片段和音频文件的混合输入，并返回一段连贯的视频，声音在同一次生成中一并产生。

如今的访问权限处于 pre-release 阶段，且由 provider 中介提供——Seedance 2.5 API 尚未全面开放。下文介绍的能力反映的是其在 launch 时的预期表现；对于任何尚未确认的内容，请将其视为待定，并在你在生产环境中依赖它之前，对照 provider 自己的文档进行核实。

重点变化（预期）

1. 更长的单镜头。 Seedance 2.5 预计支持单个连贯镜头大约 4 到 30 秒的时长，从而减少拼接片段以及应对连贯性断裂的需要——比如角色形象走样、镜头切换之间光照跳变。在围绕这一点进行开发之前，请向 provider 确认确切的支持范围。

2. Launch 时的分辨率：480p 和 720p。 在 launch 时，模型预计输出 480p 和 720p。更高的分辨率（1080p 及以上）在 provider 文档确认之前待定——请勿假设 720p 以上的分辨率目前已经可用。

3. 多模态参考。 你可以基于多个参考文件来约束一次生成：每次请求最多 30 张图像、10 段视频和 10 段音频参考。在实践中，这意味着你可以用参考照片锁定角色、锁定配色、复现你上传的片段中的运镜，并用一段音乐引导节奏——全部在一次请求中完成。你不再是在描述一段视频，而是在组装它的各种素材。

音频与画面一同生成，而非事后添加

Seedance 2.5 的设计目标是在一次生成中同时产出视频和声音，且原生音频不额外收费。对白、拟音和配乐都与画面运动同步到达——如果你提供一段音频参考，画面运动和节奏还可以随之而动。音频生成由 generate_audio 标志控制（默认开启）。

它的成本

目前尚未公布公开的价目表。 关于这个模型的预期，我们可以说的是：

• 计费按输出的每秒时长收取。
• 原生音频免费——同步音轨不收附加费用。
• 关闭 content_filter 会使一次生成的成本增加约 10%。

公开费率预计将与 API 同时 launch，因此在确定预算之前，请在 provider 控制台中核实实时定价。我们的定价页面会跟踪已知信息，而 playground 让你可以在生成之前先组装好一个请求。

如何访问它

访问权限处于 pre-release 阶段，且由 provider 中介提供。对开发者和 AI agent 而言，实用的途径是通过第三方 API provider（例如 EvoLink），预计它将通过 REST API 提供 Seedance 2.5。在围绕它进行开发之前，请先确认 provider 的支持情况与可用性。API 快速上手提供了可用的代码，agent 指南则涵盖了自动化工作流。

API 约定（pre-release——请保持可配置）

由于这是 pre-release，请将 model id 视为可配置项，并对照 provider 文档重新核对每一个字段。预期的约定如下：

使用 POST https://api.evolink.ai/v1/videos/generations 提交一次生成：

curl -X POST https://api.evolink.ai/v1/videos/generations \
  -H "Authorization: Bearer $EVOLINK_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "seedance-2.5-reference-to-video",
    "prompt": "A cinematic drone shot pulling back over a coastal town at golden hour",
    "duration": 5,
    "quality": "720p",
    "generate_audio": true,
    "content_filter": true,
    "image_urls": [],
    "video_urls": [],
    "audio_urls": [],
    "callback_url": "https://example.com/webhook"
  }'

字段参考：

• model — seedance-2.5-reference-to-video（pre-release；请保持可配置）。
• prompt — 你的文本指令。
• duration — 4 到 30 秒（默认 5）。
• quality — "480p" 或 "720p"（默认 "720p"）。
• generate_audio — 布尔值，默认 true。
• content_filter — 布尔值，默认 true；设为 false 会应用 1.1 倍的成本系数。
• image_urls — 最多 30 张图像参考。
• video_urls — 最多 10 段视频参考。
• audio_urls — 最多 10 段音频参考。
• callback_url — 可选的完成 webhook。

然后使用 GET https://api.evolink.ai/v1/task-detail?id=<id> 轮询结果。状态会经历 pending → processing → completed（或 failed）。

它在同类中的定位

Seedance 系列在公开的视频生成基准测试中一直颇具竞争力，而 2.5 预计将以更长的单镜头、原生音频和更大的多模态参考额度进一步扩展这一优势。相较于 Sora 2 和 Veo 3.1 这类模型，其实际的差异化优势预计在于多参考输入和单镜头的连贯性——但请记住，这些能力都处于 pre-release 阶段。关于与该模型配合良好的 prompt 结构，请参阅 prompt 库。

简短总结

Seedance 2.5 力求成为一个你可以”像执导一场拍摄那样去指挥”的视频模型：你带来演员阵容（图像参考）、运镜（视频参考）、配乐（音频参考）和执导方向（prompt），它则返回一段连贯、声画同步的镜头。它如今处于 pre-release 阶段，且由 provider 中介提供——预期时长 4 到 30 秒、launch 时分辨率为 480p 和 720p、最多 30 张图像 / 10 段视频 / 10 段音频参考、原生音频不额外收费，以及按每秒时长计费（费率将在 launch 时确认）。本文是一份独立指南；EvoLink 是推荐的第三方 provider。在你上线之前，请与 provider 核实每一个细节。想了解一个请求是如何组装起来的，请从 playground 开始。