即梦 Seedance 2.0 完全实操指南：多模态 AI 视频从"抽卡"到"导演"的体系化玩法

本文由 莫潇羽@源码七号站（www.fuyuan7.com） 撰写，转载请注明出处。

快速摘要

Seedance 2.0 是字节跳动旗下即梦平台在 2026 年 2 月 7 日正式发布的新一代多模态 AI 视频生成模型。它最大的突破有三点：一是把图片、视频、音频、文本四种素材一起塞进一次生成；二是引入 @素材 引用语法，让模型清楚每个素材分别要扮演什么角色；三是原生音画同步，画面和声音是一次出来的，不是后期拼的。

实操层面，整个工具有两个核心入口：首尾帧（适合上传一张图 + 一句话直接出片）、全能参考（最多 12 个素材混合参考，是 2.0 的灵魂）。前者每条视频默认消耗 30 积分起，后者一旦带视频参考，15 秒视频可能要消耗近 200 积分，要算着用。

这一篇文章我把自己最近一段时间折腾下来的所有体感、踩过的坑、提示词公式、参数选择、商业化场景全部拆完了，包括多图串联、运镜复刻、长剧情生成、产品广告、视频延长等几乎所有核心玩法。想看完整拆解，往下翻。

一、先认识 Seedance 2.0 这个角色

很多人一上来就想着复制别人的提示词模板抄一下，结果出片效果一般，回头还以为是模型不行。我自己折腾下来的体会是：先得搞清楚这个模型到底"听得懂什么"，再去写提示词，思路才不会乱。

1.1 一句话定位

Seedance 2.0 是字节跳动旗下即梦平台（jimeng.jianying.com）在 2026 年 2 月发布的新一代视频生成模型，核心定位是 "多模态音视频联合生成" —— 翻译成人话就是：你可以同时把图片、视频、音频、文字四种素材丢进去，让模型一次性生成一段画面与声音同步的视频，最长 15 秒。

它和上一代 Seedance 1.5 比起来，差异不是参数量上的简单增加，而是在四个维度上做了系统性升级：

我用一张简单的脑图把它的能力地图画一下，方便你在脑子里建立坐标：

graph LR
    A[Seedance 2.0] --> B[输入端]
    A --> C[控制端]
    A --> D[输出端]

    B --> B1[文本提示词]
    B --> B2[图片 最多9张]
    B --> B3[视频 最多3个,总时长15s内]
    B --> B4[音频 最多3段,总时长15s内]

    C --> C1[首尾帧入口]
    C --> C2[全能参考入口]
    C --> C3[@符号引用语法]

    D --> D1[4-15秒高清视频]
    D --> D2[原生音画同步]
    D --> D3[最高2K分辨率]

1.2 它解决的最根本痛点

过去用 AI 做视频，最让人头大的两个问题：

• "猜谜式"出片：写一段话给模型，模型猜你想要什么，结果是抽卡 —— 抽到好的随缘，抽到崩的重写。
• "翻车式"延长：好不容易抽到一段满意的，想再续 5 秒，结果一续就脸变了、衣服变了、镜头视角也跳了。

Seedance 2.0 的多模态参考就是冲着这两个痛点来的：你不用再"许愿"，可以直接把"参照对象"喂给模型 —— 一张图定角色长相，一段视频定运镜，一段音频定节奏，提示词只用来串剧情。模型解码的不再是你脑海里的画面，而是你已经给过的真实素材。这之间的差距，就是抽卡和定制的差距。

我之前在源码七号站写过几篇关于 AI 工作流标准化的文章，思路和这个其实是一脉相承的：让结果可控的关键，从来不是写更长更花哨的提示词，而是给模型更多结构化的输入。 Seedance 2.0 把这个理念落到了视频领域。

1.3 别迷信"地表最强"的标签

网上有不少铺天盖地的"地表最强 / 改变行业 / 终极答案"之类的评价，这些标签作为传播口号没问题，但你要拿着它真的去做项目，得有几个清醒认知：

• 它的真人写实素材是有合规限制的，目前不能直接上传清晰可辨认的人脸做主体参考；要让自己出镜需要走真人活体校验后再做数字分身。
• 它在某些极端运镜（比如多人剧烈打斗、超快闪剪辑）上仍然会"污染"参考素材中的原画面。
• 它对中文长提示词的理解算业内顶尖，但仍然吃 token 限制，超长指令会被截断。

接下来我就按"小白上手 → 进阶玩法 → 商业落地"的顺序，把它的具体用法拆给你。

二、参数预览与积分机制：开干之前先把账算清

第一次进入即梦的视频生成界面，新手很容易在参数面板上发懵。我把这一节当成"操作前置课"，把每个开关都讲清楚。

2.1 入口在哪里

进入即梦主页 → 顶部导航选视频生成 → 在左上角的模型切换处，把模型切到 Seedance 2.0。同一个模型下面会出现两个细分入口：

• 首尾帧：上传一张首帧图（最多再加一张尾帧图）+ 文字提示词，最多两张图。适合"图生视频"这种最简单的场景。
• 全能参考：可以同时上传图片、视频、音频，再配合提示词，最多 12 个素材。是 2.0 的核心入口，也是这一节后面要重点讲的。

切换的方式很傻瓜化，鼠标点一下就好。如果你的账号还没看到 Seedance 2.0 这个选项，多半是会员级别没开够 —— 平台目前要求至少有基础会员才能用 2.0，新用户也可以走小云雀的免费体验额度先尝鲜。

2.2 默认参数能直接用吗

平台默认会给一组参数：

• 时长：默认是 5 秒，可调范围 4 至 15 秒。
• 分辨率：默认 1080p，可上拉到 720p / 1080p / 2K（部分入口才支持 2K）。
• 画面比例：6 种比例可选，竖屏、横屏、方屏、电影宽银幕都齐了。
• 创作种子：默认随机，可固定后用于复用同一种生成倾向。

我自己的习惯是：先用默认参数跑一次最便宜的版本试效果，确认提示词没问题再拉满分辨率和时长。这样能省下大量积分。

2.3 积分怎么扣，最容易翻车的就是这块

这是很多人第一次用 Seedance 2.0 被劝退的原因 —— 没看清楚扣分逻辑就乱传素材，几张视频下去一天的积分就没了。莫潇羽@源码七号站这边给你一份直观的积分参考：

简单一句话总结：纯图参考积分翻不出花来，但凡你上传了视频参考，积分会成倍往上跳。视频参考是"昂贵但精准"的能力，要把它用在真正需要复刻运镜或动作的关键片段上，不要拿来抽着玩。

2.4 Fast 模式什么时候选

平台还有一个 Seedance 2.0 Fast 模式（在模型选择处可见），相比标准版会便宜 30% 到 50%，速度也明显更快。它的妥协在于：分辨率上限稍低、对复杂运镜的还原度略弱。我自己用下来的判断：

• 做初版打样、自媒体短素材、快速试错提示词的时候，直接用 Fast 模式，省时间省积分。
• 做最终交付、产品广告、复杂运镜复刻的时候，再切到标准版精修。

2.5 会员等级与试用额度

平台目前的会员体系大致分为基础会员、高级会员、年度会员几档，差异主要体现在每月赠送的积分量、并发任务数、是否能用 2K 分辨率上。新手不用一上来就充顶配 —— 先开最低档，把 Seedance 2.0 跑顺了再考虑升级。

如果你只是想尝鲜，平台还有几个零成本通道：

• 小云雀新用户：登录后会赠送 3 次 Seedance 2.0 免费生成机会，每天还有少量赠送积分。
• 即梦每日签到：积分虽然不多，但攒一周也能跑出几条短视频。
• 官方活动：平台不定期会在创作者社群里发激励积分，关注一下。

2.6 排队与生成速度

热门时段（晚上 8 点到 12 点）排队最严重，标准模式下一条 15 秒视频从提交到出片可能要 8 ~ 15 分钟。Fast 模式排队几乎可以忽略，2 ~ 3 分钟就能出。我的建议：

• 白天工作时间用标准模式跑高质量素材
• 晚上灵感来时用 Fast 模式快速试错
• 真要赶项目，可以考虑同时开多个浏览器标签批量提交（前提是会员等级允许并发）

2.7 输出文件的格式与下载

生成完成后，平台会保留你的视频在云端历史记录里。下载下来是 MP4 格式（H.264 编码），码率根据分辨率不同，1080p 大约 8 ~ 12 Mbps，2K 大约 15 ~ 20 Mbps。做后期剪辑和发布前一定要本地备份，平台的历史记录虽然偶尔会因为版本更新导致旧素材访问异常。

三、首尾帧入口：单图驱动的稳定出片

虽然全能参考更强大，但首尾帧入口仍然是日常使用频率最高的入口 —— 90% 的"图生视频"需求其实都不需要那么多素材。

3.1 适合用首尾帧的场景

把首尾帧当成 Seedance 2.0 的"轻量版"。它适合下面这些情况：

• 手上只有一张图，想让它动起来。
• 已经有了画面起点和终点（比如人物从平静到挥手），希望模型补完中间的运动。
• 不需要复杂运镜，只想看主体的自然动作。

3.2 小白第一次出片的标准流程

把你想要的图片拖进首帧框 → 写一段不超过 80 字的提示词 → 选 5 秒时长 → 点生成。提示词写法很简单，记住"主体 + 动作 + 镜头"三件套：

[主体] 一位戴白色头盔的少女站在斜坡顶端的滑板上
[动作] 她蹬地一脚滑下,完成空中360度转体后稳稳落地
[镜头] 镜头跟随式低机位,带轻微震动,结尾平移定格

这样一段提示词，配合一张少女滑板起势的图，Seedance 2.0 通常一次就能出可用素材。我自己测试过四次抽卡，画面里没有出现过姿态扭曲、四肢错位之类的常见 AI 视频翻车点 —— 这是相比上一代最让人惊喜的地方。

3.3 物理表现的明显升级

我特意拿了一段 1.5 版本生成的滑板视频做对比。同样一句提示词、同样的首帧图：

• 1.5 版本生成：滑板下坡阶段速度逻辑还可以，但腾空那一下板面和脚底脱开了好几帧，看着像漂浮。
• 2.0 版本生成：腾空过程中板面始终贴着脚底，落地时膝盖还有微微弯曲缓冲，物理一致性显著提高。

这种细节看起来不大，但用过 AI 视频的人都知道，能把"重力 + 接触 + 缓冲"三件事同时做对的模型，在国内还真没几个。莫潇羽自己测下来，跑步、游泳、骑车、打球这类基础运动，Seedance 2.0 的稳定性都达到了"不太需要重抽"的水平。

3.4 文字保持度：广告产品的硬考点

做产品广告的朋友最关心一件事：瓶身上的文字、Logo、商标会不会被模型"擦"掉或者扭成乱码？

我拿一组化妆品图片做了实测：原图瓶身上的英文非常清晰，但字体很小（像素层面接近模型采样的下限）。同样的提示词喂进去：

• 1.5 版本：远景看着没问题，一旦画面拉近，瓶身上的字母会出现"漂移"、个别字符变形。
• 2.0 版本：从中景到特写都能把瓶身上的小字保持得很稳，连印刷边缘的反光高光都能维持。

这对做电商产品视频的同学是实打实的福音。以前需要大量后期修补的细节，现在一次过的概率明显高了。

3.5 抽卡稳定性的真实手感

抽卡稳定性这件事很难量化，但你用多了就会有体感。我把"同提示词、同图、不同种子"跑了 8 次，然后人工判断每条素材的可用性：

• 完全可用：6 条
• 微调后可用：1 条
• 必须重抽：1 条

这个比例对比 1.5 时代"3 抽 1 用"的水平，已经是质的飞跃。当然，前提是你的提示词写得不太离谱 —— 写得越含糊，模型越容易自由发挥。

四、全能参考入口：四种模态混合的核心玩法

如果说首尾帧是"傻瓜模式"，那全能参考就是 Seedance 2.0 真正的舞台。这一节我用篇幅最大的一块讲清楚它。

4.1 入口与界面

在视频生成页面，把入口从"首尾帧"切到"全能参考"。这时候你会看到一个明显不一样的素材区 —— 它支持上传：

• 最多 9 张图片
• 最多 3 段视频（3 段加起来总时长 ≤ 15 秒）
• 最多 3 段音频（3 段加起来总时长 ≤ 15 秒）
• 总素材数上限是 12 个

我建议新手不要一上来就把 12 个素材都填满 —— 素材越多，模型要兼顾的维度越多，提示词的复杂度也是非线性增长。先从 3 ~ 5 个素材开始练手，掌握节奏再加。

4.2 @ 符号引用语法是真正的灵魂

全能参考最关键的不是上传了多少素材，而是你怎么告诉模型每个素材的"职责"。Seedance 2.0 的解法是 @ 符号引用。

你在提示词输入框里直接打一个 @ 符号，就会自动弹出已上传素材的列表，点选就能插入引用。也可以用工具栏上的 @ 按钮唤起选择面板。引用成功后，输入框里会出现一个带颜色的标签，显示素材文件名 —— 看到这个就说明绑定成功了。

举个例子：

@图片1 作为首帧的人物形象
@图片2 作为画面的背景场景
@视频1 参考运镜方式和节奏
@音频1 用作背景音乐

人物缓慢转身微笑,微风吹动发丝,镜头平稳跟随,不变形,4K高清。

这一段提示词的结构非常清晰：每个素材都被赋予了明确角色，剩下的文字描述只负责串联。莫潇羽自己写提示词的时候有一个习惯：先把所有 @ 引用列在前面，再把动作描述放后面，模型解码起来更稳。

4.3 四种素材的优先级关系

实际生成的时候，模型并不是把四种素材"等权重"使用的。这里有一个隐性的优先级：

理解这一点很重要。比如你上传了一张人物图，又上传了一段舞蹈视频，希望让"图中人物跳视频里的舞蹈"。这时候视频参考的优先级最高，图片只负责"换皮"，动作骨架由视频提供。如果你写"参考图中人物的动作"，反而会让模型困惑 —— 因为图是静态的，没有动作信息。正确写法应该是 "主体外观参考 @图片1，动作和运镜完全参考 @视频1"。

4.4 我的素材准备小习惯

折腾多了之后，我会在本地把每个项目的素材按"功能角色"分文件夹，结构大概长这样：

项目-小胖系列/
├── 角色/           ← 主角图,正面/侧面/半身/全身
├── 场景/           ← 不同环境的背景图
├── 运镜参考/       ← 剪到 5 秒以内的电影片段
├── 音频/           ← 音乐片段、人声片段
└── prompt.txt     ← 已经验证过的提示词模板

这样做的好处是每次生成时不会到处翻文件夹。莫潇羽@源码七号站也建议你养成这个习惯 —— AI 视频创作越往后走，工程化思维越重要，散乱的素材管理会拖死你的迭代速度。

4.5 素材数量到底放多少最合适

这里有一个我反复验证过的经验值：3 ~ 5 张关键图 + 1 ~ 2 段参考视频 + 1 段音频 是最稳的搭配。原因有三：

• 留出 2 ~ 3 个文件位的余量，方便临时补图。
• 太多素材会让 @ 引用关系变复杂，提示词反而难写清楚。
• 12 个素材跑满，模型注意力会被稀释，关键素材的还原度反而下降。

五、多图串联：让图片"接龙"成连贯视频

掌握全能参考之后，第一个能立竿见影出彩的玩法就是多图串联。

5.1 它本质上在做什么

多图串联的核心机制是：你按顺序上传一组图片，模型把它们当作"画面航线上的关键位点"，自动补出位点之间的过渡画面。换句话说，你给的不是首帧和尾帧，而是 一段视频的若