字節(jié) Seedance 1.5 Pro 藏師傅實(shí)測：可以說方言的音畫同出視頻模型

字節(jié)在前幾天發(fā)布了 Seedance 1.5 Pro 視頻生成模型。

重點(diǎn)是支持音畫同出了，而且在本地化方面下了很多的功夫。

先看一下藏師傅的測試視頻混剪：

結(jié)合官方介紹和我的測試結(jié)果說一下這次升級的主要內(nèi)容：

1. 視頻支持音畫同步生成，支持多種主流方言，并且顯著提升口型、語調(diào)對齊能力，方言效果很好；
2. 增強(qiáng)語義理解，模型可以比較好的解析敘事語境，聲音與畫面同步情緒控制和專業(yè)的表演能力提升非常大；
3. 精準(zhǔn)且豐富的鏡頭控制，自主機(jī)位調(diào)度，長鏡頭、推軌變焦、希區(qū)柯克等都沒問題；
4. 支持首尾幀生成視頻，最長可單次生成 12 秒視頻，還有 5 秒和 10 秒可選。

令人驚喜且獨(dú)特的方言效果

音畫同出可以直出方言這個(gè)太驚喜了，在我們國內(nèi)的影視作品里面方言內(nèi)容一直是為角色賦予真實(shí)性和地方特色非常好用的一個(gè)手段，這下一些影視方面的應(yīng)用要拓展了。

提示詞：

鏡頭懟著一個(gè)臉龐黝黑的老陜西人，他蹲在板凳上，手里捧著個(gè)臉盆大的青花瓷海碗，里面的面條被紅彤彤的油潑辣子裹得嚴(yán)嚴(yán)實(shí)實(shí)。他左手捏著一瓣蒜，咔嚓咬掉半截，右手猛地往嘴里猛吃了一大口面，發(fā)出震天響的吸溜聲。抬起頭時(shí)嘴邊全是紅油，他沖著鏡頭一瞪眼，滿臉陶醉地用陜西話吼道：“額給人說！吃面不吃蒜，味道少一半！這一口面，簡直美滴很！”說完抄起旁邊的汽水猛灌一口，沖著后廚喊：“伙計(jì)！面湯還有么？今兒這頓飯，硬是聊咋咧！”

首先我找了一個(gè)可能沒那么方言的方言陜西話，很多人說普通話的人可能聽得懂，但又有一些讀音很獨(dú)特的詞。

這種一般是比較難的，因?yàn)樗夭母胀ㄔ捥咏耍液芏嘣~不好標(biāo)注，只有真的下功夫才能搞好。

同時(shí)場景選了我每天看的陜西面食吃播場景，文生視頻，看一下整個(gè)畫面和音頻的融合程度，吃東西的時(shí)候也會影響說話，可以考驗(yàn)?zāi)Ｐ蛯τ趫鼍暗呐袛唷?/p>

結(jié)果相當(dāng)驚喜，“聊咋咧”和“美滴很”這兩個(gè)比較難的詞都說出來了，而且音調(diào)也確實(shí)是陜西話的音調(diào)。

意外的是提示詞遵循比較好，知道先說一句然后喝飲料再說一句。

邊喝邊說的時(shí)候也沒有完全把瓶子放在嘴里，這時(shí)候就不能說話了，它知道說的時(shí)候拿開瓶子，然后再喝一口再說，非常真實(shí)。

提示詞：

街邊一棵老樹下的麻將桌，旁邊停著電瓶車，背景是嘈雜的市井聲。樹蔭下的老茶館門口，麻將桌旁圍得水泄不通，一位光膀子的大爺急得把蒲扇拍得震天響，沖著對家用四川話吼道：“哎呀，張大姐，搞快點(diǎn)嘛，等到花兒都謝咯！”對面燙著卷發(fā)的胖嬢嬢絲毫不慌，猛地把一張牌“啪”地拍在桌上，中氣十足地用四川話懟回去：“催命哇？慌啥子慌……二筒，我看你吃得消不！”旁邊的小伙子咬了一口紅糖鍋盔，探出頭來用四川話起哄：“嚯！這手牌，硬是巴適得板哦！”

然后是四川方言，我選了一個(gè)非常有挑戰(zhàn)性的場景，在提示詞里面加入了三個(gè)年齡不同、性別不同、打扮相差也很大的角色，說著不同的話。

這個(gè)提示詞說實(shí)話難度有點(diǎn)大了，但 Seedance 1.5 Pro 確實(shí)給了我很大的驚喜，每次抽卡都能比較好的遵循提示詞完成任務(wù)。

每個(gè)人都在用自己角色應(yīng)該有的音色和音調(diào)在說話，而且不會串，“巴適得板”這種四川話獨(dú)有的詞也說的不錯(cuò)。

而且你發(fā)現(xiàn)沒有，我是沒有指定鏡頭運(yùn)動方式的，它自己會將鏡頭通過類似搖臂旋轉(zhuǎn)的方式對準(zhǔn)正在說話的人，而且還有一點(diǎn)類似手持設(shè)備的晃動，鏡頭為止也在麻將桌沒有露面的那個(gè)角色那里，看起來就像那個(gè)人手持拍攝一樣。

背景虛化之后的其他人也都在運(yùn)動和做自己的事情，加上非常有市井氣息的對話，這 12 秒的視頻變得異常的真實(shí)。

提示詞：

一家貼滿綠色馬賽克瓷磚的老店。一個(gè)穿著白大褂、夾著托盤的中年男服務(wù)員在卡座間穿梭。他猛地停在一張桌子前，把一杯茶噠地一聲重重頓在玻璃桌面上，原子筆在點(diǎn)菜本上敲得飛快。服務(wù)員眉毛一皺，語速極快的用粵語說：“喂，靚仔！寫嘢未啊？諗好沒？后面仲有大把人等位啵！手腳快啲啦！”坐在卡座里的戴眼鏡的年輕人正看著手機(jī)，被嚇了一跳，趕緊合上油膩膩的菜單。戴眼鏡的年輕人慌忙抬頭用粵語說：“啊……唔該！要個(gè)干炒牛河，再來杯凍檸茶，少甜走冰！”

最后是粵語，這里也選了一個(gè)相當(dāng)有市井生活氣息的餐館場景，依然文生視頻，兩人對話這次兩個(gè)都是男性看一下說話會不會串。

生成出來的時(shí)候這個(gè)運(yùn)鏡真的頂，直接非常順滑的從服務(wù)員的背面切換到正面，而且說話的時(shí)候很自然的越過服務(wù)員打到男生的臉上。

提示詞遵循也非常好，每個(gè)提示詞中的細(xì)節(jié)都兼顧到了，包括貼瓷磚、服務(wù)員服、男生的眼鏡和手機(jī)，還有所有動作臺詞的時(shí)間順序，以往的模型總會漏一點(diǎn)細(xì)節(jié)，這次幾乎每次都很完美，無論是畫面、時(shí)序還是對話內(nèi)容。

對話里面以我這個(gè)不太懂粵語的人聽，還挺是那個(gè)味的，粵語特有的發(fā)音也都可以說，也歡迎“粵語警察”提意見。

之所以將這一塊放在最前面，首先是我前面說的方言對于影視劇中塑造角色形象塑造非常重要，另外一個(gè)原因是即使海外的模型如何厲害，關(guān)于我們本土文化的內(nèi)容和細(xì)節(jié)還是需要有國產(chǎn)模型來填補(bǔ)，也只能由國產(chǎn)模型來做。

很高興字節(jié)無論在圖像和視頻領(lǐng)域都很重視這些。

非人場景音畫同出測試

現(xiàn)在各種 AI 影視爆款里面涉及到音畫同出的除了各種真實(shí)人像之外，寵物 AI 視頻的流量也占了半壁江山，所以這里也需要考察一下寵物的聲音和唇形同步。

提示詞：

鏡頭懟臉拍，柔光燈下，一只大臉盤子的橘貓正襟危坐，胸口別著個(gè)只有指甲蓋大小的迷你麥克風(fēng)。它頭頂戴著粉色蝴蝶結(jié)，一臉嚴(yán)肅地盯著面前還在冒熱氣的生煎。它先是湊近了嗅一嗅，胡須隨著呼吸高頻顫動，然后歪著頭，拿起餃子“啊嗚”一口咬住酥脆的餃子皮。麥克風(fēng)里瞬間傳來清晰放大的“咔滋咔滋”脆響，緊接著是濕漉漉的“吧唧吧唧”咀嚼音。吃完一口，它瞇起眼睛，緊接著它伸出毛茸茸的“白手套”爪子，把旁邊的牛奶杯往懷里一扒拉，眼神霸氣地盯著鏡頭，說：“喵！嗷嗚！”

首先是小貓吃播，吃播對于音效和表情要求很高，吃東西必須得是跟視頻材質(zhì)相同的視頻，這里小貓吃煎餃咔滋咔滋的聲音就讓人聽的非常有食欲。

而且貓咪在咀嚼的時(shí)候很好的表現(xiàn)了出了非常擬人的為食物陶醉的表情，但是有沒有恐怖谷的問題，相當(dāng)不錯(cuò)。

提示詞：

一只坐在溫暖昏黃木制貓窩里的布偶貓，它擁有一雙像藍(lán)寶石一樣無辜的大眼睛，身上穿著一件精致的粉色針織小開衫，顯得軟萌又富貴。貓咪面前的軟墊上放著一個(gè)藍(lán)色的嬰兒安撫奶嘴，它先是用毛茸茸的爪子輕輕撥弄了一下奶嘴，然后帶著一種委屈又軟糯的中文小奶音自言自語道：“這是媽媽給我買的‘封印神器’……她說我半夜跑酷動靜像拆家，非要我叼著這個(gè)才能睡覺。”說完，貓咪順從地低頭把奶嘴含進(jìn)嘴里，腮幫子鼓鼓地動了兩下，眼神瞬間變得迷離困倦，含糊不清地嘟囔出最后一句：“唔……別說……含著這個(gè)……還真有點(diǎn)……困了……”隨后慢慢閉上眼睛，畫面在它微微點(diǎn)頭打瞌睡的溫馨瞬間結(jié)束。

這里讓貓咪說人話，除了嘴型以外還有解刨結(jié)構(gòu)的考驗(yàn)，很多視頻動物說人話的時(shí)候嘴里的舌頭和牙齒就會變得像人，這里 Seedance 1.5 Pro 就很好，還是貓咪本身的結(jié)構(gòu)。

說話的時(shí)候我們指定了小奶音來表現(xiàn)貓咪的可愛，模型輸出的也是類似孩子的聲音，最后我們還用...來表示說話的節(jié)奏和表現(xiàn)困意，生成的時(shí)候也按照對應(yīng)的節(jié)奏放慢了說話速度，相當(dāng)猛了。

真實(shí)且動人的情緒表現(xiàn)

既然說到了音畫同出的能力，那么模型的表演能力和情緒表現(xiàn)也是非常重要的部分，很多時(shí)候情緒或者表演能力跟音頻的關(guān)系相當(dāng)大，只有畫面的時(shí)候表現(xiàn)力是不夠的。

提示詞：

在一個(gè)充滿塵埃與鐵銹味的廢土掩體暗室中，單頂光打在一位面容枯槁的幸存者臉上，使他的眼窩深陷成兩個(gè)黑洞。鏡頭采用極端面部特寫，他不敢直視鏡頭，眼神游離且充滿恐懼。他嘴唇干裂起皮，先是艱難地吞咽了一下口水，喉結(jié)明顯滾動，隨后用顫抖且嘶啞的氣聲緩緩?fù)鲁雠_詞：“這一單我做完了……”，緊接著他猛地抬起頭直視鏡頭，眼眶瞬間發(fā)紅含淚，面部肌肉因極度緊繃而抽搐，用幾乎崩潰的哭腔急促地喊出：“求求你，把藥給我！” 說話時(shí)，這一瞬間的爆發(fā)導(dǎo)致他嘴角流出一絲渾濁的口水，下巴不受控制地劇烈抖動，整個(gè)人呈現(xiàn)出一種被逼至絕境的破碎感。

這里主要表現(xiàn)的是恐懼壓抑和懇求的復(fù)雜情緒，眼睛這里很傳神，將恐懼害怕同時(shí)又由于的情緒表現(xiàn)的很好。

第一句話的時(shí)候先是聲音很低的，這個(gè)時(shí)候仿佛還沒有下定決心，等到第二句話的時(shí)候就表現(xiàn)出那種反正說都說了膽子都大了，同時(shí)聲音也變大了。

在第二句話的時(shí)候畫面的變化也咋同步發(fā)生，眼神明顯堅(jiān)定了很多。

在大口呼吸的時(shí)候脖子部分的運(yùn)動以及嘴上的口水都非常好的表現(xiàn)了出來，進(jìn)一步增加了真實(shí)感。

提示詞：

在賽博朋克風(fēng)格的維修車間冷光下，年輕的機(jī)械師正被一臺高大的廢舊機(jī)器人逼在墻角。起初，機(jī)械師處于極度的心理防御狀態(tài)，他緊咬著后槽牙，咬肌明顯鼓起，眼神充滿倔強(qiáng)與痛苦，一邊用力推搡機(jī)器人冰冷的手臂，一邊從牙縫里狠狠地?cái)D出前半句臺詞：“I can't fix it anymore...”。 隨著機(jī)器人并沒有放手而是繼續(xù)擁抱他，機(jī)械師的心理防線在這一秒崩塌，他原本緊繃的嘴角瞬間向下垮掉，整張臉皺縮在一起，發(fā)出一聲窒息般的抽泣，隨后把頭深深埋進(jìn)機(jī)器人的線纜胸膛中，含糊不清地哭喊出后半句：“I can't fix anything anymore.” 身體隨之從僵硬對抗轉(zhuǎn)為癱軟下滑，展現(xiàn)出徹底的情感釋放。

這里用了英文和風(fēng)格化的畫風(fēng)順便測試一下在 2D 風(fēng)格化畫風(fēng)下的唇形同步以及面部情緒表現(xiàn)。

沒想到在側(cè)臉加 2D 的情況下模型的唇形同步、表情以及情緒變化還能表現(xiàn)的這么好，而且也沒有出現(xiàn)向3D 轉(zhuǎn)換的傾向相當(dāng)穩(wěn)定。

最后的啜泣聲音與說話的聲音融合的也非常好，而且啜泣的時(shí)候面部的表現(xiàn)也在跟音頻同步，看起來渾然天成，碰到機(jī)器人的時(shí)候也有跟金屬碰撞的聲音，細(xì)節(jié)表現(xiàn)相當(dāng)不錯(cuò)了。

精準(zhǔn)且豐富的鏡頭控制

這次更新的模型對于復(fù)雜運(yùn)鏡控制的表現(xiàn)也好了很多，可能你通過前面的一些案例也可以看出來，我們再來點(diǎn)難得。

提示詞：

在一個(gè)深邃的歐式古堡長廊中，鏡頭聚焦在走廊盡頭一位驚恐的維多利亞時(shí)代女性面部，隨著時(shí)間推移，她臉部在畫面中的比例完全保持靜止不變，但她身后的長廊背景卻產(chǎn)生強(qiáng)烈的空間壓縮感，遠(yuǎn)處的門窗仿佛瞬間拉近到了她腦后，走廊兩側(cè)的雕像和燭臺以一種詭異的視覺錯(cuò)覺在極短時(shí)間內(nèi)改變了排列密度，制造出強(qiáng)烈的眩暈與壓迫感。

首先是一個(gè)大家熟知的高級運(yùn)鏡技巧希區(qū)柯克變焦，他的原理是攝像機(jī)向后拉的同時(shí)變焦鏡頭向前推，使主體大小保持不變，但背景透視發(fā)生劇烈壓縮或擴(kuò)張，但一般由于硬件限制這個(gè)變焦的時(shí)間和幅度是有局限的。

我們這里搞的非常的離譜了，一個(gè)連續(xù) 12 秒而且速度非常快的希區(qū)柯克變焦，現(xiàn)實(shí)還是很難搞的，沒想到它居然搞定了，后面的城堡背景變化相當(dāng)連貫。

人物的表情也會有微妙的變化，同時(shí)音效也會跟隨變焦的速度與主角呼吸的節(jié)奏變化，對于人物緊張的情緒渲染的異常的到位，這個(gè)太猛了。

提示詞：

頭處于一個(gè)中景距離，平穩(wěn)地跟隨一位身穿深藍(lán)色工裝外套、背部微駝的中年男性倉庫揀貨員。他正雙手推著一輛載滿棕色瓦楞紙箱的重型金屬平板手推車，在巨大的物流倉庫水泥地面上中速前行。首先，他穿過一條光線略顯昏暗、兩側(cè)是高聳入云的重型貨架的長廊，貨架上堆滿了各種貼著標(biāo)簽的貨物托盤。他向左拐了一個(gè)大彎，進(jìn)入一個(gè)更加寬敞、光線明亮的自動化分揀區(qū)域。進(jìn)入新區(qū)后，遠(yuǎn)處有幾輛叉車在緩慢移動。他繼續(xù)推車前行了一段，此時(shí)側(cè)面有一扇巨大的工業(yè)卷簾門半開著，下午的自然陽光斜射進(jìn)來。直到他停在一臺打包機(jī)前，他松開推車把手，直起腰擦了一下額頭的汗，鏡頭緩緩?fù)七M(jìn)到他的側(cè)臉和推車上靜止的箱子細(xì)節(jié)。

這是一個(gè)長鏡頭測試，對于每個(gè)區(qū)域的規(guī)定也很詳細(xì)，既考驗(yàn)?zāi)Ｐ偷拈L鏡頭跟隨調(diào)度能力，也考驗(yàn)?zāi)Ｐ偷奈锢硪恢滦浴?/p>

可以看到每個(gè)部分中提示詞要求的內(nèi)容都有呈現(xiàn)，同時(shí)在人物遮擋前和遮擋后都保持了很好的一致性。

運(yùn)鏡部分非常穩(wěn)定，而且在比較難得轉(zhuǎn)彎部分以及最后人物停止之后擦汗的部分都嚴(yán)格遵循了提示詞的要求，尤其最后鏡頭變焦到人臉的時(shí)候相當(dāng)順滑。

結(jié)尾

整個(gè)測試過程中也發(fā)現(xiàn)了一些小問題，比如方言這里肯定沒辦法覆蓋全部的方言種類，一些跟普通話過于接近的方言會有混淆問題。在音頻上跨分鏡如何解決音色的一致性也是一個(gè)需要處理和解決的問題，不然長視頻可能有些麻煩。

這次值得注意的是，除了情緒部分的幾個(gè)視頻外，其他的所有視頻我都是通過純文生視頻完成的。

一直以來很多模型都不太重視文生視頻的質(zhì)量，在色彩表現(xiàn)、物品材質(zhì)上都有很多問題。

Seedance 一直以來的文生視頻表現(xiàn)都非常好，這次音頻生成支持后整個(gè)視頻的一致性和真實(shí)性更是高了非常多，也更容易發(fā)揮模型的能力，經(jīng)常有比較驚艷的結(jié)果。

對于視頻 Agent 產(chǎn)品來說，原生的文生視頻表現(xiàn)加上音頻能力，在融合度和真實(shí)性上，肯定要比圖生要更好，而且也更便于進(jìn)行上下文管理和一致性保持，以前的圖生是模型發(fā)展階段迫不得已的選擇。

我一直堅(jiān)持文生視頻和視頻編輯才是未來，圖生是過渡，這次 Seedance 1.5 Pro 的在純文生音畫融合度以及純文生視頻偶爾表現(xiàn)出的自主智能運(yùn)鏡等表現(xiàn)都讓我堅(jiān)定了這個(gè)判斷。

今天，火山引擎正式發(fā)布豆包視頻生成模型Seedance 1.5 pro，即日起，個(gè)人用戶可在即夢AI、豆包APP、火山方舟體驗(yàn)中心體驗(yàn)；企業(yè)用戶自12月23日起可在火山引擎使用該模型API。體驗(yàn)地址：exp.volcengine.com/ark/vision?launch=seedance

提示詞的理解、表演能力提升、音畫同出、文生視頻的高質(zhì)量都大幅降低了視頻制作的復(fù)雜性，視頻 Agent 產(chǎn)品的上下文長度也會隨著降低。

感覺視頻生成產(chǎn)品和視頻 Agent 又會迎來一個(gè)爆發(fā)期，之前有想法受限于模型的朋友們可以到火山引擎多嘗試了。

我是歸藏，今天的內(nèi)容就到這里。

如果覺得有幫助的話可以幫我點(diǎn)個(gè)贊或者喜歡，也可以轉(zhuǎn)發(fā)??給你需要的朋友們。