如果你还不理解 Seedance 2.0 为什么火了，我们做了 8 条视频给你看

一张图，九份参考，小云雀剪出了一条完整短片。

👦🏻 作者: 镜山

🥷 编辑: Koji

🧑‍🎨 排版: NCon

这两天，AI 视频领域被字节的新一代视频模型 Seedance 2.0 刷屏了，距离上一代模型只差 2 个月。

海内外的各个社交媒体、社区上，创作者们都在疯狂晒、转发自己的生成结果。随便刷一条都有大量的点赞和转发，评论区的反馈也都非常一致：「这次的 AI 视频模型效果是真的不一样了」。

如果把时间线拉长到 2026 年开年这个节点，你会发现这个「有点不一样了」很好解释：

AI 视频模型，开始理解「镜头与镜头之间的关系」，简单说就是会讲故事了。

Seedance 2.0 模型，某种意义上，它就是这个转折点发生的信号。

字节旗下 AI 视频创作 Agent「小云雀」刚刚也推出了这个模型，我们花了一整天时间做了一轮深度实测，网上最火的那些玩法，一个一个验证了一遍，看看它到底能做到什么程度。

---

接下来，我们将分享实测体验。

古风烤鸭讲解

各个平台里对于 Seedance 2.0 的讨论，有几个关键词出现频率特别高：

1）参考能力太强了

2）能够精准复刻主体

3）叙事能力提升很大

4）多主体下的一致性很高

我们围绕这 4 个点，做了一堆测试 case，分享给大家。

首先，这次更新后的小云雀配上 Seedance 2.0，很适合做「多个参考主体」的内容。

意思是：你能一次丢很多素材进去，比如好几张图、抖音短视频链接、或者视频文件。它会一起参考这些内容，然后你用很简单、直观的提示词，就能生成一条最长 15 秒的视频。

我举个例子。

之前我在抖音刷到一个短视频，最近这个赛道很火：走历史讲解路子，配一张背景图，语气和节奏偏怪，偏搞笑。

刚好我在网上刷到很多人在做那种「烤鸭卷饼爆炸图」，就是把一份卷饼一层一层拆开，把每个小配料都单独摆出来。

我就突然有个想法：角色可以直接用一张古风图，让小云雀去参考上面那个短视频的音乐和节奏。

整条内容就只讲这一张烤鸭卷饼图，用解说的方式，一步一步说清楚它是由哪些部分拼起来的。这样看起来清楚，也很有节奏感。

在小云雀里写提示词，其实不用整得很复杂，顺着你的想法往下写就行，重点说清楚要干嘛、参考什么、用谁来讲就可以了。

我想做一个【参考视频】里的讲解型视频，比较抽象有趣，讲解内容为【@图片2】，讲解烤鸭的组成方式。角色换成【@图片1】

生成速度也还可以，最后的结果有几个点很值得说一说。

首先就是镜头切换很顺，角色动作比较稳，整体节奏能跟上音乐，看起来不会有那种很重的 AI 味道。

如果你仔细看，视频中角色卷烤鸭饼的特写会发现，整个镜头是有非常真实的镜头聚焦变化的。比如一开始镜头聚焦于很有活人感的女主角面部，等到镜头推进后，就开始对焦在烤鸭卷饼上。

在这个对焦的过程中，画面中的元素一致性保持的都很好。

印度搞笑段子动漫化复刻

除了这种全程动漫风，它也能把真人搞笑短视频直接转成动漫版，而且动作能学得很像，可以精准复刻主体。

这也是网上很多同学都在疯狂试玩的内容。我这几天经常看到很多印度真人搞笑段子：

我就让小云雀做一个相似的版本：

换成其他角色，用我上传两张图片

参考图片用的更是非常「跨界」的古风人物：

这是它的结果。你能看到两个人的动作衔接没太多乱飘，对印度搞笑视频的复刻也挺像，整体角色的表也更「有情绪」。

「打工人」的极限运动集锦

试玩完上面那几个例子后，我感觉 Seedance 2.0 这次在参考和主体能力上的提升挺明显的。

除此之外，Seedance 2.0 的叙事能力也多次出现在很多创作者的内容里，这主要体现在 Seedance 2.0 能够理解「图像、视频」，让每个镜头间都能连接上。

大家应该很熟短视频平台的各种极限运动的合集视频。它们的特点就是画面切得很快，节奏抓得很紧。

我用小云雀的界面：上传 8 张图，再把抖音短视频链接贴进去当参考。等于它要参考 9 份内容。

提示词也很简单：

按照【参考视频】所展现的运镜、节奏，帮我做一个同样的短视频，只不过里面的极限运动换成我上传的8张图片，多镜头多角度，搞笑抽象

最后的整体效果很像「短视频」。

第一帧就很抓人，还用了鱼眼镜头感。镜头在不同画面间切换也更顺。配乐不会一比一照抄原视频，反而会按画面变化去配一段新的音乐，听着更协调。

这种自媒体短视频一般还会配「艺术字介绍」，而且每个画面配的字都不一样。人工做这个很费时间，但小云雀现在能直接在整条视频里加字，你也不用逐帧告诉它「这里写什么」，它能看画面自己补。

提示词如下：

为参考视频配上艺术字介绍，，每一个画面叙事的描述都要不一样的，不要太规整，要有爆炸性的感觉

你仔细看会发现：它基本沿着原视频的节奏走，在原视频基础上加字，整体更稳。

还有转场这块也更顺了。它不太会「硬切到下一张图」，会先给个特写，比如特写到某张图里手上捏的纸团，然后再接下一帧。

「多主体」参与的演唱会

从上面这些例子看，它对「保持角色不乱变」这件事做得更好了，而且它对视频的理解也更强。

为了进一步看看这种一致性的能力，我上传了一张 Koji 播客照片，然后我找了一个 Queen 乐队万人合唱的短视频链接，主要试一试它的「多主体一致性能力」到底做到了什么程度。

Ps. 不过前两天发现已经无法上传「真人素材+版权内容」，这可能是因为这回的 Seedance 2.0 的效果实在是太逼真。具体效果，可以直接看下面这个玩法。

我的想法是：让 Koji 的人物直接替换音乐会里的主角，同时加点嘻哈元素。要求大概三点：

1）人物用参考图片里的 Koji

2）整体镜头和感觉跟参考短视频走

3）音乐不停的情况下，加一些中式嘻哈味道

下面是小云雀的结果。你会发现就算镜头在切，背景和人群也在动，但主角的脸和气质能稳住，基本不会乱跑。

我还试了「再加主体」，比如一个「看起来非常有对比感的初号机」：

效果如下，虽然一个是真人，一个是「初号机机甲」的跨界搭配，但整体效果融合得相当协调：

鱼眼镜头下的运动相机

如果要仔细看现实场景下的一致性，用一个「真人转交运动相机，用鱼眼镜头效果录制视频」场景，看起来会更有「实际感」。

注意，下面视频里的运动相机是我真实地用 AI 生图做出来的，你可以仔细观察一致性：

Koji 手持运动相机，前半段几乎没配乐，突然开机切到鱼眼镜头，音乐瞬间就进来了。这个转换很自然，而且正好是现在短视频最爱玩的节奏套路。

你甚至能让 Seedance 2.0 做出运动相机自拍的鱼眼效果。这种镜头下，Koji 脸部细节几乎没变形，一致性相当高：

索尔维会议跳网红舞蹈

最近抖音上有很多「让视频里的人 AI 跳舞」的短视频，很火。比如这个：索尔维会议跳《青苹果乐园》的那种。

在短视频平台里，你直接传图用特效拍同款当然也行**。但你要在这张图上再加更多角色，或者做更复杂的版本，就不太好弄了，这个时候小云雀就比较好用。**

比如我这里有 4 个角色，我想把他们加进索尔维会议那张图里，让他们跟后面的人做同一套动作，同时把音乐换掉。

下面这个就是结果。你会看到整体很稳，动作能跟着音乐走，效果也挺上头。

还有个点我觉得挺关键：第一排第二位那个年轻女性后面，其实是居里夫人。一般做这种 AI 跳舞，最容易翻车的就是「前后叠着两个人」的地方，动作很容易乱掉。

但这条视频里，居里夫人就算在后面，动作也能跟着音乐对上，而且动作切换的时候也没乱。整体看着就比较稳。

下面总结一下，从我这几个实际案例跑下来，能很直观地感受到它现在主要有这几种实用能力。

先是多素材一起参考，不管是多张图片还是短视频链接，都能一起上传进去用，不用只盯一个参考源，即便是 8 张图片 + 1 个视频参考，也可以。而且，可以跨模态参考，视频 + 音乐 + 图片 + 文字这种组合是可能的。

然后是多镜头连续生成，一条视频里能自己拆成好几个镜头来讲内容，镜头之间基本能接上，不会每段都像独立小片段。

再一个是角色稳定，同一个人物在不同镜头里不太会乱变脸、乱换衣服，还有动作跟得上，像卷饼、咀嚼、跳舞这种连续动作，看起来是顺的。

它对节奏和运镜的模仿也比较到位，能按参考视频的切镜速度和运动方式来走。

自动加字和画面配文也能直接生成，不用逐帧去自己标，最后是多人同框和前后遮挡这种更复杂的画面，也能基本撑住，不容易整块画面崩掉。

可以说，Seedance 2.0 火的背后，是整个行业正在跨过的一道门槛，而这次的热度，它确实配得上。

🚥

现在 Seedance 2.0 已经「全量上线」，推荐大家来小云雀体验～～