Seedance 2.0 多模态参考控制
定义
Seedance 2.0 多模态参考控制 是 Seedance 2.0 提示词指南 中的一组通用方法，用来把外部参考素材与文本提示词结合起来，精确控制视频生成结果。它的适用对象不是单一模态，而是三类参考素材：图像、音频、视频。
其核心并不只是“可以上传素材”，而是两步：
- 明确指代：在提示词中直接点名具体参考对象，例如“画面参考图片1的构图”“音色参考音频2”“动作参考视频1”。
- 精准迁移：模型会从被点名的参考中提取核心特征，再与文本描述一起生成内容，从而在保留创作空间的同时，提高结果的确定性与还原度。
因此，多模态参考控制本质上是一种“编号引用 + 特征说明 + 文本约束”的写法。
在本文档中的语境
在 Seedance 2.0 提示词指南 的结构里，文本提示词仍然是主干，基础公式是“主体+运动+环境（非必须）+运镜/切镜（非必须）+美学描述（非必须）+音频（非必须）”。多模态参考控制则是附着在这个主干上的强化机制。
也就是说，参考素材不是替代文本，而是与文本配合：
- 文本负责说明最终想生成什么。
- 参考素材负责给出更稳定的标准态，例如主体长相、商品外观、logo、服装、场景、分镜构图、动作细节、运镜方式、特效轨迹或音色。
- 最佳效果来自两者结合，而不是只上传素材不写清目标。
核心机制
1. 明确指代
提示词必须能让模型知道“你在说哪一个参考”。文档给出的典型形式包括：
- 图片1、图片2……图片n
- 音频1、音频2……音频n
- 视频1、视频2……视频n
如果同类素材上传了多份，但提示词没有明确编号，控制精度就会下降。
2. 精准迁移
明确对象后，还要写清楚要迁移的是什么，不能只说“参考一下”。可迁移内容包括但不限于：
- 图片中的主体形象、商品外观、材质细节
- 图片中的服装、logo、场景、分镜构图
- 音频中的音色或音频内容本身
- 视频中的动作、运镜、特效
推荐句式通常是：
- 参考/提取/结合 + 参考对象 + 被提取元素 + 生成目标 + 保持一致的特征
- 例如：参考视频1的运镜，生成某个科技园区概念视频，保持第一视角俯冲方式一致。
3. 上传顺序与编号绑定
文档明确要求：如果对素材顺序有要求，应按顺序上传，再在提示词中使用对应编号。
这意味着：
- “图片1”“音频2”“视频1”不是抽象标签，而是和上传顺序直接对应。
- 一旦顺序错了，后续提示词里的指代也会跟着错位。
- 在需要多图、多音频、多视频协同时，先整理上传顺序，再写提示词，是提高稳定性的关键步骤。
图片参考
Seedance 2.0 多模态参考控制 中，图片参考既支持主体多视角锁定，也支持多图组合控制。
主体多视角参考
这种用法适合在不同角度、不同局部信息中锁定同一主体，使模型在新画面里保持主体一致。文档给出的通用写法是：
- 参考/提取/结合“图片n”中的“主体”，生成“画面描述”，保持“主体”特征一致。
适用对象包括商品和角色。
商品多视角
文档示例中，可以同时提取多张图里的同一商品，再生成新的展示镜头。例如：
- 提取图1、图2、图3的相机，把背景换成白色，相机放在白色桌子上，镜头以特写聚焦相机，再围绕相机缓慢旋转，清晰展示正面、侧面和背面。
- 在暖调居家场景中呈现参考图1中的保温杯，镜头平稳推近到近景，再由一只手自然入镜拿起杯子，跟拍手部轻微旋转，同时展示参考图2里杯身的细腻质感。
这里不仅锁定“是什么物体”，还可以拆分迁移不同图片提供的不同信息，例如整体外观来自一张图，材质细节来自另一张图。
角色多视角
角色也可通过多图保持统一形象。文档示例为：
- 参考图片1、图片2、图片3中的女子形象，生成她在一家咖啡店吃蛋糕的画面。
这说明多视角参考的目的，不只是简单复现某一张照片，而是在新场景中延续同一角色特征。
多图参考
多图参考比主体多视角更宽，可以把多张图片里的不同元素组合到一条提示词中。文档给出的通用写法是：
- 参考/提取/结合/按照/生成“图片n”中的“被参考元素描述”，生成“画面描述”，保持“被参考元素”特征一致。
文档明确列出的能力包括：
- logo参考
- 多主体参考
- 多元素参考
- 多宫格分镜图参考
- 分镜图参考
组合多个元素
多图参考可以把不同来源元素拼接到同一个生成目标里，例如：
- 参考图片2中的女孩，在霓虹闪烁的未来都市空中廊道中，先展示女孩放飞带有全息投影的银色悬浮灯，再镜头拉远展现满天悬浮灯，画面逐渐模糊后出现图片1的 logo，整体为 3D 赛博朋克科幻动画风格。
- 场景设定在图片4中的餐厅内，图片1里的女孩穿着图片2中的服装，图片3中的男孩作为顾客上前搭话，图片5中的标识始终显示在画面右下角。
这种写法可以同时控制角色、服装、场景和标识位置，体现的是“多元素精确装配”而不是单点参考。
多主体参考
文档还给出跨主体组合的例子：
- 参考图片中的猫猫和狗狗，在温馨公寓里，狗狗趴着吃狗粮，猫猫走近并碰它，随后依偎在它身边，整体暖色调。
这类提示词要求模型分别识别并迁移多个主体，再放入同一叙事动作中。
分镜构图参考
图片参考不只控制对象，还能控制画面结构和镜头顺序。文档示例包括：
- 参考图片1中的分镜图，生成激烈打斗场面，并让图片1中的各个分镜构图按顺序出现，之后二人激烈打斗。
- 参考图片3中的分镜构图，女孩形象参考图片1；再横摇切换到图片4的画面和构图，爸爸形象参考图片2；随后再切回女儿和父亲的面部特写，按指定台词推进。
这说明图片参考可以承担“静态 storyboard”作用，不只告诉模型“长什么样”，还告诉模型“镜头怎么排”。
音频参考
音频参考是 Seedance 2.0 多模态参考控制 的重要部分，但有明确边界。文档直接说明：
- 支持音频参考。
- 不支持仅上传音频。
- 必须结合视觉输入使用。
这意味着音频不能单独作为唯一输入源，至少要与图像或视频语境一起使用。
同时，如果对多个音频的顺序有要求，也应按顺序上传，并在提示词中使用“音频1”“音频2”进行准确指代。
音色参考
第一类音频参考是音色参考，即迁移说话声音的风格，而不一定照搬原音频内容。常见句式为：
- “角色”说：“台词”，音色参考“音频n”。
文档示例表明，这种方式既可用于旁白，也可用于角色对话：