过去谈视频参考，常常只问一句：能不能上传图片？Seedance 2.0 的发布说明把这个问题变得更具体了。除了图像，它还把视频、音频和文字放进同一次创作任务，让不同材料提供不同的信息。
本文内容（5节）
Seed团队在2026年2月12日公布的资料中，列出了多模态参考、15秒多镜头音视频、视频修改与延长等能力。这些内容共同指向一个变化：输入不只是告诉模型画面看起来怎样，也开始参与表达动作、镜头和声音。
其中最值得细读的，是官方对参考用途的说明。相同的一段视频，可以用来借鉴动作，也可以用来借鉴镜头运动。这两种意图看起来都叫参考视频，最终希望保留的东西却完全不同。如果不说明，素材里的背景、人物和运动就可能一并成为影响因素。
这解释了为什么上传更多材料，并不一定让任务更简单。一个场景已经在图片里确定，另一段动作参考却发生在不同空间；一段音频有明显的停顿，文字描述又要求动作连续完成。输入各自都合理，放在一起却可能指向不同结果。
制作前为素材分配用途，因而不只是管理习惯，而是在说明创作意图。人物资料回答是谁，环境资料回答在哪里，动作片段回答怎样运动。哪些内容要借用、哪些内容只用于理解背景，也需要一起讲清。
还有一个容易混淆的地方：人物参考图不等于剧情首帧。参考可以提供身份或外观，首帧则规定视频一开始的画面状态。直接把一张人物组合板放进首帧入口，模型面对的任务，与从中提取角色再放入场景并不一样。文章和教程都应该按实际入口来写。
给每份参考分配一项工作
假设要拍一段年轻厨师端菜走过餐厅的镜头。人物板提供厨师的外观，餐厅图提供空间，动作参考说明托盘怎样保持平衡，音频提供某句对白。上传之前，可以把这四项分别写出来，而不是只说“结合所有素材生成”。
如果参考片里的人物穿黑色制服，你的原创角色穿白色厨师服，就要明确借用动作而非服装。若餐厅参考是一张空景，也要说明角色放在哪里、从哪里往哪里走。素材数量增加以后，分工越清楚，后续判断越容易。
参考多了，提示词首先要做的是分配职责
Seedance 2.0发布介绍提到文字、图片、音频与视频共同输入，并列出了对应素材数量。对创作者来说，最直接的变化是可以不只靠一张图解释任务。但参考之间的作用仍需明确：人物资料解决外观，动作视频说明运动，音频可能提供声音或节奏，场景图说明环境。
以厨师端出一道菜为例，可以指定图片A提供厨师外观，图片B提供餐厅空间，视频C只借用从后厨走向餐桌的动作方向。若C里的演员穿不同服装、端着另一种器皿，就应明确哪些内容不沿用，避免参考中的附带信息压过本来目标。
这里不需要把每份素材都写成长说明。每份一句用途，整场戏再写一句目标，已经比“参考以上素材，制作电影感视频”清楚。后者把决定全部交给系统，也让失败后难以知道究竟是哪项输入发生冲突。
冲突通常藏在看似合理的资料之间
人物板是正面站姿，动作参考却要求一直背对镜头；声音需要慢慢说完一句话，镜头安排却让人物马上离开画面；场景通道狭窄，参考动作又有大幅转身。每一份都不算坏材料，放进同一任务却可能互相牵扯。
可以先决定哪个要求最重要。若剧情必须看清表情，就调整机位和动作；若重点是穿过空间，就给路径留够画面。不要把所有要求都标成“必须保持”，再把矛盾交给模型自行解决。
先让一条简单的上菜镜头成立
可以从厨师已经站在桌旁开始，只完成放盘和退开。先确认盘子落在桌面、双手适时松开、人物退开方向有空间。这个小任务通过后，再增加走路、客人反应或镜头移动。不要第一轮同时要求长距离跟拍、复杂对白和快速转场。
若使用首帧路径，起点应把厨师、餐桌与盘子安排到合理关系里。若使用参考路径，则按所选模式说明提供资料，并用文字安排场景与动作。两种方式都能用图片，但不能把分栏角色板当成已经完成的剧情画面。
一个常见问题是目标动作与图片状态冲突：盘子已经放在桌上，提示词却要求“从手中放下”；门已经打开，文字却要求“先开门”。输入越丰富，越需要先排除这些矛盾。很多不自然的运动，最初就埋在材料之间。
参考、首帧和延长，要分别准备
人物组合板适合表达身份，不适合直接当所有剧情镜头的第一帧。需要明确起点时，先把人物放进餐厅，确定托盘、手和身体之间的关系，再交给关键帧入口。需要延长已有视频时，则应检查原片结尾的状态，后续动作要能够从这里继续。
如果把参考模式的教程复制到首帧模式，读者可能上传同样文件，却获得完全不同的结果。文章和素材包最好写清每张图的用途，特别是含多个角度的人物板，避免它在视频开头变成并排的几个角色。
原生声音让表演安排更早开始
如果这一镜需要厨师说“请慢用”，应想清楚他说话时是否仍在放盘，客人是否需要回答，动作声是否会压住台词。生成声音不是给画面随意加一条配音，而是把声音纳入同一段时间。
可以先写一版最短对白，留出动作开始与结束的余地。若一句话需要很长时间，考虑把说话放到另一条镜头或画外，而不是让人物边完成多个动作边快速念完。节奏安排清楚，后续才容易判断口型、语气与画面是否匹配。
采用结果时保留整条原片，并记录剪辑使用的区间。下一镜若需要延续同一状态，从当前真实结尾出发准备，而不是再次从最早的参考资料独立推导。原生音画与多参考提供更多输入可能，连续制作仍需要维护已经发生的事实。
对想开始使用的人，最实用的第一步不是搜集更多素材，而是把手头资料整理成一个没有冲突的小任务。完成后再增加复杂度，才能知道模型升级究竟减少了哪一类返工。
来源：Seedance 2.0官方发布介绍。厨师上菜流程为本站自拟示例。
让试验结果能反过来改善素材
第一次尝试失败以后，先分类：人物变了、动作不清、机位不对，还是声音节奏不合。针对问题调整一项，再保存输入版本。若只是继续增加材料，最后很难知道哪份参考真正起作用，也很难把成功结果复用于下一个镜头。
多模态的价值不在于把文件塞满，而在于用合适的材料表达文字难以说清的部分。人物、空间、动作和声音各有职责，把它们组织成同一个意图，才是这类能力进入连续制作的关键。
这次发布的意义，在于把创作意图分散到更多种输入中。它给了创作者更丰富的表达方式，也让素材之间是否一致变得更重要。官方演示可以帮助理解这些入口，至于角色能否跨段保持、多人动作是否可靠，仍不能只凭素材数量得出结论。
多模态输入可以先做一次“矛盾检查”
把每份资料的用途放在一行，再横向看：人物图中的厨师是长袖，动作视频中的人是短袖；场景图桌子很高，目标动作却要求坐着把盘放下；音频是一句从容介绍，视频动作却非常急促。这些冲突不需要等模型生成后才发现。
需要借动作而不借服装时，就把作用说清；场景不支持动作时，先改机位或空间；声音节奏不合时，先调整台词与时长。输入更丰富以后，创作者也更有责任说明采用哪些部分。
删去无关资料不意味着降低专业程度。一个清楚的任务包比一个塞满所有参考的任务更容易理解，也更方便后续只替换其中一项。
完成后把输入用途与结果对照。若某份参考没有带来需要的信息，下次可以不再沿用；若它明显影响了不该改变的部分，则需要重新安排职责。
资料来源与延伸阅读
资料复核：2026年11月4日。文中的自拟情节、演算与检查方法用于教学；产品能力以对应版本的公开说明为依据，未将文档核对写成账号实测。