Промты для Seedance

Seedance — видеогенератор ByteDance, той же компании, что сделала TikTok и CapCut. От соседей по цеху он отличается двумя вещами. Первая: тридцать секунд одним проходом, без склейки из пятисекундных кусков. Вторая: звук рождается вместе с картинкой в той же генерации, а не подкладывается сверху отдельным сервисом, поэтому шаг героя и стук каблука совпадают сами.

Обе особенности одновременно и проблема. Тридцать секунд — это потолок длины, а не гарантия связного сюжета: модель охотно укладывает всё действие в первые шесть секунд, а оставшиеся двадцать четыре герой топчется на месте. Звук в общем проходе означает, что реплику не переписать отдельно от картинки: предложение, обрезанное на полуслове, чинится только новой генерацией. Семь карточек хаба собраны вокруг этих провалов, а не вокруг красивых сцен.

Режимов у модели четыре: ролик по тексту, ролик из картинки — в том числе с заданным первым и последним кадром, — сборка по загруженным референсам и правка уже готового клипа. Карточки разложены по ним. В квадратных скобках каждого промта стоит рабочее значение — промт отправляется как есть, детали заменяются вторым заходом. Номер версии внутри не зашит: между Seedance 2.0 и Seedance 2.5 разница в том, сколько модель держит за раз — у предшественницы референсов было двенадцать против полусотни у текущей.

Тридцать секунд: сюжет режется на фазы с таймкодами

Длинный ролик ломается предсказуемо. Вы пишете «женщина входит в мастерскую, снимает пальто, садится за гончарный круг» — и получаете клип, где всё это происходит за первые семь секунд, а дальше камера смотрит на неподвижную спину. Лечится это не уговорами, а расписанием: действие раскладывается по фазам с временными отрезками, и каждая фаза получает своё движение камеры.

Сцена на тридцать секунд по фазам — как раз такое расписание: четыре отрезка, у каждого своё действие и свой план, от tracking shot следом за героиней до close-up на руки в глине. Отдельной строкой там стоит требование сохранить внешность, одежду и предметы на полках от первой секунды до последней. Дрейф — главный провал длинного ролика: к двадцатой секунде фартук меняет цвет, на полке появляется вторая банка, и ловится это только явным запретом.

Продление ролика до трёх минут на официальной площадке заявлено как бета-режим. Пока это значит ровно то, что написано: режим есть, но закладывать трёхминутный ролик в рабочий проект рано.

Звук в том же проходе: реплика, среда и второй человек в кадре

Разработчик описывает Seedance как модель совместной генерации звука и видео: речь, шумы и музыка считаются вместе с картинкой. Это снимает целый этап — не нужно отдельно искать голос и подкладывать эмбиенс. И это же добавляет две поломки, которых у немых генераторов просто нет.

Первая: реплику надо уложить в длительность с запасом. Восьмисекундный ролик и фраза на десять секунд дают предложение, обрезанное на полуслове, причём картинка при этом идеальная — и оттого вдвойне обидно. В карточке видео со звуком и репликой она задаётся дословно, темп спокойный, а звуковая среда прописана отдельно от речи и ниже её по уровню: шипение пароотвода не должно перекрывать баристу.

Вторая поломка смешнее. Если в кадре есть второй человек, модель охотно начинает шевелить губами и ему тоже — синхрон разваливается сразу у обоих. Поэтому в промте отдельной строкой сказано, что второй молчит и рта не открывает. Там же лежит проверка, которую стоит завести привычкой: послушать ролик с закрытыми глазами и посмотреть без звука. Речь должна быть разборчива сама по себе, губы — двигаться осмысленно даже в тишине.

Русский в списке языков озвучки есть, но практики сходятся на том, что синхрон на английском и китайском выходит чище. Короткая реплика по-русски — рабочий вариант, монолог на полминуты — лотерея.

Отдельный случай — товар. В продуктовом ролике со звуком звук привязан к действию: скрип кожи звучит там, где рюкзак двигается, музыки нет вовсе. И отдельной строкой — про стекло и хром: отражения модель заполняет случайными бликами, в которых иногда проступают лица и окна, которых в сцене не было.

Пятьдесят референсов и ни одного готового ярлыка

Режим референсов — то, ради чего Seedance берут в работу. За один проход принимается до пятидесяти материалов: до тридцати изображений, до десяти видеофрагментов и до десяти звуковых дорожек. Лицо героя, фасон куртки, характер света, траектория камеры — всё это показывается картинкой вместо описания словами.

Подвох в том, что готовых ярлыков вроде «это лицо» или «это свет» у загруженного файла нет. Роль каждого референса назначается словами в самом промте, и если её не назначить, модель тянет из файла всё сразу: лицо приезжает с чужой курткой, свет — с чужой композицией. В карточке референсы с ролями они расписаны по номерам, а на случай конфликта задан приоритет: лицо важнее одежды, одежда важнее света, свет важнее движения камеры.

Там же две строки, которые экономят генерации. Первая: если один и тот же файл нужен под две роли, это говорится прямо — молчаливое повторное использование модель читает как разрешение перенести кадр целиком. Вторая: чего в референсах нет, то берётся из описания сцены, а не из соседнего файла.

Проверка после генерации простая. Пройдите по ролям списком и спросите себя, что именно пришло от каждого референса. Если от какого-то не пришло ничего — он лишний и мешает остальным.

Два кадра, правка готового и работа камеры

• Первый и последний кадр — вы даёте два изображения, модель достраивает движение между ними. Резкий скачок в последнюю секунду означает одно: до финального кадра она не дошла и дорисовала его рывком. Лечится увеличением длительности, а не уговорами. И условие, о котором обычно узнают на третьей попытке: оба кадра сняты с одной точки и одним объективом, меняться должно содержимое, а не съёмка.
• Правка готового ролика — точечное изменение вместо пересборки: убрать прохожего, заменить предмет, перекрасить. Операцию задаёт глагол в начале, и он должен быть один: две операции в одном запросе выполняются наполовину. Исходный клип берётся не короче четырёх секунд — на более коротком модели не хватает материала, чтобы понять движение. Длина ролика при правке не меняется, пока вы не попросили продлить, а звук исходника сохраняется.
• Движение камеры операторскими терминами — static shot, slow dolly-in, pull back, tracking shot, orbit, pan, tilt, handheld, drone shot. Эти слова модель читает буквально, а «кинематографично» и «красиво» не значат для неё ничего. Главное правило — одно движение в один момент времени: наезд одновременно с панорамой на коротком ролике превращается в рывок.

Две из этих трёх карточек работают на готовом материале, и это меняет привычку: неудачную генерацию можно вытащить, а не выбросить. Прохожий в жёлтой куртке на заднем плане — повод для одной операции, а не для нового промпта с нуля.

Как писать промт для Seedance

Разработчик описывает промпт как шесть слотов, и обязательны только два первых: кто в кадре и что происходит. Дальше идут место, стиль, камера и звук — незаполненный слот просто не пишется. Из практики к этой формуле добавляются четыре вещи.

• Время — отрезками, а не наречиями. «Сначала», «потом» и «в конце» модель распределяет по-своему и обычно не так, как вы задумали. Секундные отрезки она читает как расписание и держит их.
• Постоянство — отдельной строкой. Всё, что обязано остаться прежним от первого кадра до последнего, называется поимённо: лицо, одежда, предметы на фоне, направление света. Что не названо, то считается вариативным.
• Меньше действующих лиц. Гайды сходятся на пороге около восьми различимых объектов: дальше сцена начинает плыть. Толпа в расфокусе на заднем плане — это одно, восемь героев с репликами — это провал.
• Негатив вычитает фразу целиком. «Без мультяшных людей» уберёт заодно и людей, заказанных позитивно. В списке «не добавляй» стоит только то, чего в кадре быть не должно вообще: титры, водяные знаки, музыка с вокалом, монтажные склейки.

Звук в промте пишется обычными словами — так и сделано во всех семи карточках. У модели есть и скобочный синтаксис: круглые скобки под музыку, угловые под шумы, фигурные под реплику, отдельный вид скобок под экранные субтитры. Смысл у него один — не дать модели прочитать шум вслух или нарисовать реплику титром. Если обычное описание работает, усложнять незачем.

Чего Seedance не делает

• Не заменяет монтажную программу. Одна сцена — одна генерация. Собрать из трёх сцен ролик с переходами, титрами и подобранной музыкой всё равно придётся в редакторе.
• Не гарантирует разрешение. Цифры у площадок расходятся: на официальной заявлено до 4K, у доступов через API потолок обычно ниже. Смотрите разрешение там, где генерируете, а не в стороннем обзоре.
• Не держит длинный монолог по-русски. Язык в списке заявлен, но качество синхрона ниже, чем на английском. Длинную речь надёжнее записать голосом и наложить в редакторе.
• Не помнит прошлую генерацию. Тот же промт даст другой кадр. Нужен один и тот же герой в двух роликах — это работа для режима референсов, а не для повторной отправки текста.
• Открывается не отовсюду. Официальная площадка ByteDance работает не во всех странах и принимает не все карты. Обходные схемы мы не разбираем и не советуем. Сам промт от точки доступа не зависит: тот же текст работает через любой доступ к модели, включая агрегаторы нейросетей.

Соседние маршруты. Kling — та же задача другой моделью, разбор конструкции в статье промты для Kling. Правила видеопромта, не привязанные к конкретной сети, разобраны в статье промпты для генерации видео. А если исходник — ваша фотография, готовый маршрут из трёх сервисов собран в подборке ролик из фото за вечер.