A equipe da ByteDance Seed apresentou o Seedance 2.5, um novo modelo de criação de vídeo lançado em 31 de julho. Esta versão é baseada na arquitetura unificada multimodal de geração conjunta de áudio-vídeo do Seedance 2.0 e se concentra em melhorar as capacidades de narrativa longa, referência multimodal e recursos de edição.
A duração da geração no modo de quadro único dobrou de 15 para 30 segundos, e o suporte a expansão múltipla permite a criação de conteúdo coeso de vários minutos com uma linguagem audiovisual unificada. O modelo otimiza as transições entre quadros e a mudança de cena para garantir a coerência do vídeo longo, ao mesmo tempo que aumenta a qualidade da imagem, som e movimento, reduzindo a aparição de artefatos oleosos frequentemente encontrados na geração de vídeo.
Graças a essas melhorias, os usuários podem produzir conteúdo de vários minutos mantendo um estilo visual uniforme, o que diminui a necessidade de dividir quadros, remontar e processar transições.
As capacidades de referência multimodal foram significativamente aprimoradas. O Seedance 2.5 aceita até 30 imagens, 10 clipes de vídeo e 10 trechos de áudio como materiais de origem em uma única geração. São suportados referências baseadas em modelos brancos, movimento e direção criativa. Isso permite a realização de projetos complexos que envolvem múltiplos objetos, cenas e mudanças de ângulo, com uma compreensão mais profunda da intenção criativa.
Além disso, o modelo suporta o controle preciso de marcações de tempo para edição de vídeo direcionada, aprimorando as capacidades de edição usando chroma key, mudança de ponto de vista e edição baseada em referências, o que é útil para produção cinematográfica profissional e publicidade. A arquitetura combina a compreensão do contexto multimodal na criação de saída audiovisual nativa de dois canais.
A função narrativa representa a transição da simples criação de um clipe para a conclusão de uma obra de arte completa. Um exemplo demonstrativo mostra uma performance em uma única tomada, onde um cantor interage com o elenco nos bastidores, passa por um corredor dos bastidores, encontra dançarinos e sobe ao palco, após o que a câmera se afasta, revelando todo o estádio. O modelo organiza vários quadros logicamente conectados durante 30 segundos, evoluindo da configuração inicial ao progresso, clímax e resolução, em vez de apenas prolongar uma cena.
A expansão múltipla mantém a identidade dos personagens, o ambiente da cena e o ritmo da narrativa, garantindo a estabilidade dos objetos nas junções graças às transições de câmera e mantendo a sincronização da trilha audiovisual durante todo o clipe.
O Seedance 2.5 está disponível nas plataformas Jimeng AI e Doubao Pro, e os serviços de API chegarão ao Volcano Engine Ark. Este lançamento intensifica a concorrência no mercado de geração de vídeo por IA contra modelos como Kuaishou Kling, Alibaba Wan e jogadores internacionais, colocando a ByteDance na vanguarda da criação de vídeos longos por IA. O conjunto de recursos é voltado tanto para consumidores que buscam geração contínua de várias cenas quanto para fluxos de trabalho profissionais em cinema, publicidade e produção de conteúdo que exigem controle preciso e edição baseada em referências. Como as expectativas dos usuários estão mudando da criação de um único clipe para a conclusão de todo o projeto criativo, o Seedance 2.5 posiciona a coerência narrativa longa e o controle de edição profissional como características definidoras da próxima geração de modelos de vídeo por IA.
A MiniMax apresentou seu primeiro modelo generativo multimodal aberto, o H3, em 31 de julho, um evento significativo no campo da geração de vídeo por inteligência artificial. O modelo suporta a geração de áudio e vídeo em formato 2K com som estéreo nativo e duração de 15 segundos, e também alcançou o primeiro lugar no ranking mundial de edição de vídeo na plataforma Artificial Analysis.
O custo de geração de vídeo com o modelo H3 foi estabelecido em 0,8 yuan por segundo, o que representa apenas um terço dos preços dos produtos líderes equivalentes. Após o anúncio do lançamento, as ações da empresa subiram 14%, recuperando a queda anterior, pois os investidores reagiram positivamente à estratégia de controle de custos.
O H3 é capaz de compreender contextos relacionados a texto, imagem, vídeo e áudio, gerando áudio e vídeo com som estéreo nativo. A vantagem técnica do modelo está na capacidade de seguir instruções, representar corretamente informações textuais e de marca, e na função de transferência de movimento de um quadro de vídeo para outro (transferência de movimento V2V). Esta função permite a edição controlada de conteúdo multimodal.
O modelo H3 garante a geração de conteúdo para vários cenários de uso comercial, incluindo publicidade, branding, comércio eletrônico, desenvolvimento de produtos, UI/UX e jogos. Isso simplifica significativamente o processo de criação de conteúdo de vídeo de alta qualidade para empresas e desenvolvedores. A vantagem de custo é alcançada através de otimização sistemática: o uso de um tokenizador com alto grau de compressão reduz o número de tokens necessários para gerar vídeos, e o ajuste do treinamento heterogêneo, balanceamento de carga e aumento da eficiência do uso de GPU reduzem significativamente tanto os custos de treinamento quanto os de inferência, mantendo a qualidade do modelo.
O elemento central do lançamento é a estratégia de código aberto. A MiniMax planeja disponibilizar os pesos do modelo em poucos dias, sujeito ao cumprimento das regulamentações. Isso permitirá que as empresas implantem o modelo localmente e o adaptem usando seus próprios dados para garantir segurança e conformidade. A empresa declarou que fabricantes de chips e desenvolvedores podem participar da adaptação e otimização para reduzir os custos operacionais e expandir o escopo de aplicação, seguindo a tendência industrial de transição de serviços fechados para ecossistemas abertos e colaborativos.
A abordagem da MiniMax se alinha ao exemplo do Moonshot AI Kimi K3, o maior modelo de pesos abertos com 2,8 trilhões de parâmetros, que atingiu os limites de capacidade de cluster em 48 horas após o lançamento e suspendeu novas inscrições de consumidores em 19 de julho para uso prioritário por usuários pagantes. A estratégia da MiniMax evita intencionalmente a corrida de parâmetros característica da indústria chinesa de IA. Enquanto os principais players enfrentam limitações de capacidade computacional e redução de fornecimento, a MiniMax foca na relação extrema entre preço e desempenho combinada com distribuição de código aberto para construir uma vantagem comercial baseada na economia unitária, e não no tamanho do modelo. Observadores de mercado acompanharão o progresso da adaptação da comunidade H3 após o lançamento do código aberto, o ritmo dos pedidos comerciais e se a estratégia de precificação por volume poderá devolver a MiniMax às posições de liderança na corrida da IA. O modelo posiciona a geração multimodal economicamente viável e comercialmente implementável como um novo marco de competição, e a capacidade de edição de vídeo indica que a qualidade de produção para fluxos de trabalho profissionais pode se tornar tão importante quanto o poder generativo básico.
