Единый API Seedance 2.5: мультимодальные референсы, тегирование ассетов в промптах и экономика генерации

ByteDance открыл доступ к API Seedance 2.5 — и теперь это единый эндпоинт, меняющий подход к сборке генеративного видео. Модель получила серьезный апгрейд под продакшен: заявлена поддержка роликов до 180 секунд, разрешение 4K и пять режимов работы. Помимо классического text-to-video с веб-поиском, появились нативные функции замены объектов (video-edit) и достройки хронометража (video-extend).

Самая важная архитектурная деталь скрыта в режиме Reference-to-Video. Разработчики внедрили прямую маршрутизацию ассетов через теги прямо в текстовом запросе. Вместо слепого смешивания теперь можно жестко указать роль каждого файла: например, прописать Use @video1 for framing and @audio1 as background. В один payload помещается до 30 изображений, 10 видео и 10 аудиодорожек. Для задач редактирования параметр длительности автоматически привязывается к исходнику через duration: -1, а соотношение сторон блокируется на adaptive, исключая ошибки кропа на стороне сервера.

Экономика генерации требует внимательного выбора провайдера. Базовая тарификация ByteDance идет по токенам: около $10.37 за 1 млн токенов для чистого текста и $6.22, если на входе есть видео-референс. У агрегаторов разброс цен оказался критичным для бюджетов. Atlas Cloud сейчас отдает генерацию от $0.134 за секунду (около $4.02 за полминуты). На fal прайс за качество 720p достигает $0.473 в секунду — это уже $14.19 за тот же 30-секундный ролик. При загрузке тяжелых референсов базовая ставка падает, но длительность инпута начинает плюсоваться к итоговому биллингу.