2026年2月，字节跳动发布Seedance 2.0，其核心创新在于统一多模态音视频联合生成架构，支持文本、图像、音频、视频四种模态混合输入。模型支持同时输入最多9张图像、3段视频、3段音频片段并配合自然语言控制，这一设计突破了传统视频生成仅支持文本单模态的限制。 音频与视频在统一架构下联合训练而非外部拼接，使生成的视听内容具有内在协调性。官方示例中，双人花样滑冰场景的起跳、旋转、落地等动作序列不仅运动稳定，还严格遵循物理规律，多主体交互时的角色外观一致性也得到保障。 规格层面，Seedance 2.0支持最长15秒多镜头输出并配备双声道音频，为叙事短片创作提供了基础能力。用户可通过自然语言指令精准控制构图、镜头运动与视觉风格，降低了AI视频的使用门槛。 整体来看，这代模型代表了视频生成从单模态向多模态协同演进的重要方向。视觉与听觉信号在模型内部实现深度融合，而非外部模块拼接，是生成内容达到工业可用标准的关键所在。