論文の概要: Seedance 2.0: Advancing Video Generation for World Complexity
- arxiv url: http://arxiv.org/abs/2604.14148v1
- Date: Wed, 15 Apr 2026 17:59:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-16 20:38:32.674682
- Title: Seedance 2.0: Advancing Video Generation for World Complexity
- Title（参考訳）: Seedance 2.0: 世界複雑性のためのビデオ生成の改善
- Abstract要約: Seedance 2.0は、2026年2月初旬に中国で正式にリリースされた、新しいマルチモーダルオーディオビデオ生成モデルである。
マルチモーダル・オーディオ・ビデオ・ジョイント・ジェネレーションに統一的で高効率で大規模アーキテクチャを採用する。
Seedance 2.0は、4秒から15秒、ネイティブ出力解像度が480pと720pのオーディオビデオコンテンツの直接生成をサポートする。
- 参考スコア（独自算出の注目度）: 156.43863352024826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Seedance 2.0 is a new native multi-modal audio-video generation model, officially released in China in early February 2026. Compared with its predecessors, Seedance 1.0 and 1.5 Pro, Seedance 2.0 adopts a unified, highly efficient, and large-scale architecture for multi-modal audio-video joint generation. This allows it to support four input modalities: text, image, audio, and video, by integrating one of the most comprehensive suites of multi-modal content reference and editing capabilities available in the industry to date. It delivers substantial, well-rounded improvements across all key sub-dimensions of video and audio generation. In both expert evaluations and public user tests, the model has demonstrated performance on par with the leading levels in the field. Seedance 2.0 supports direct generation of audio-video content with durations ranging from 4 to 15 seconds, with native output resolutions of 480p and 720p. For multi-modal inputs as reference, its current open platform supports up to 3 video clips, 9 images, and 3 audio clips. In addition, we provide Seedance 2.0 Fast version, an accelerated variant of Seedance 2.0 designed to boost generation speed for low-latency scenarios. Seedance 2.0 has delivered significant improvements to its foundational generation capabilities and multi-modal generation performance, bringing an enhanced creative experience for end users.
- Abstract（参考訳）: Seedance 2.0は、2026年2月初旬に中国で正式にリリースされた、新しいマルチモーダルオーディオビデオ生成モデルである。
Seedance 1.0 や 1.5 Pro と比較すると、Seedance 2.0 はマルチモーダルオーディオとビデオのジョイント生成に統一的で高効率で大規模アーキテクチャを採用している。
これにより、テキスト、画像、オーディオ、ビデオの4つの入力モダリティをサポートし、これまで業界で利用可能な、最も包括的なマルチモーダルコンテンツ参照と編集機能を統合することができる。
ビデオおよびオーディオ生成のすべての重要なサブディメンジョンに対して、大幅に改善されている。
専門家の評価と公開ユーザテストの両方において、このモデルは現場における主要なレベルと同等のパフォーマンスを示している。
Seedance 2.0は、4秒から15秒、ネイティブ出力解像度が480pと720pのオーディオビデオコンテンツの直接生成をサポートする。
参照としてマルチモーダル入力を行う場合、現在のオープンプラットフォームは最大3つのビデオクリップ、9つの画像、3つのオーディオクリップをサポートする。
さらに、低レイテンシシナリオの生成速度を向上させるように設計されたSeedance 2.0の高速化版であるSeedance 2.0 Fastバージョンも提供しています。
Seedance 2.0は、基本的な生成機能とマルチモーダル世代のパフォーマンスを大幅に改善し、エンドユーザーにクリエイティブなエクスペリエンスを向上した。
関連論文リスト
- CineDance: Towards Next-Generation Multi-Shot Long-Form Cinematic Audio-Video Generation [107.75241387090271]
大規模かつオープンなText-to-Audio-VideoデータセットであるCineDance-1Mを紹介する。
平均92.8秒と24.2秒の連続撮影を行い、オーディオとビデオの両方のアノテーションを提供する。
包括的評価のために,多様なプロンプトスイートと6次元の人間対応計量システムを備えたCineBenchを提案する。
論文 参考訳（メタデータ） (2026-06-08T15:35:51Z) - ALIVE: Animate Your World with Lifelike Audio-Video Generation [50.693986608051716]
ALIVEは、Soraスタイルのオーディオビデオ生成とアニメーションに事前訓練されたテキスト・トゥ・ビデオ(T2V)モデルを適用する世代モデルである。
音声-視覚同期と参照アニメーションをサポートするため,共用音声-ビデオブランチによるMMDiTアーキテクチャの強化を行った。
ALIVEは優れたパフォーマンスを示し、一貫してオープンソースモデルを上回り、最先端の商用ソリューションにマッチするか、超えている。
論文 参考訳（メタデータ） (2026-02-09T14:06:03Z) - Seedance 1.5 pro: A Native Audio-Visual Joint Generation Foundation Model [163.56671779593736]
Seedance 1.5 Proは、ネイティブのジョイントオーディオビデオ生成用に特別に設計された基礎モデルである。
Seedance 1.5 Proは、正確な多言語と方言のリップシンク、ダイナミックシネマカメラコントロール、物語のコヒーレンスの向上を通じて、自分自身を区別する。
論文 参考訳（メタデータ） (2025-12-15T16:36:52Z) - HunyuanVideo 1.5 Technical Report [96.9793191588414]
HunyuanVideo 1.5は軽量だが強力なオープンソースビデオ生成モデルである。
最先端のビジュアル品質とモーションコヒーレンスを、わずか830億のパラメータで達成している。
すべてのオープンソース資産はhttps://github.com/Tencent-Hunyuan/HunyuanVideo-1.5で公開されている。
論文 参考訳（メタデータ） (2025-11-24T08:22:07Z) - Seedance 1.0: Exploring the Boundaries of Video Generation Models [71.26796999246068]
Seedance 1.0は高性能で推論効率の良いビデオ基盤生成モデルである。
精度と意味のあるビデオキャプションを付加したマルチソースキュレーションデータを統合する。
Seedance 1.0は1080p解像度で5秒のビデオを生成することができる。
論文 参考訳（メタデータ） (2025-06-10T17:56:11Z) - MusicInfuser: Making Video Diffusion Listen and Dance [20.41612388764672]
MusicInfuserは、特定の音楽トラックに同期した高品質なダンスビデオを生成するアプローチである。
既存の映像拡散モデルがどのように音楽入力に適応できるかを示す。
論文 参考訳（メタデータ） (2025-03-18T17:59:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。