音频生成视频：Seedance 2.5 的纯音频参考模式

几乎所有 AI 视频工作流都卡在同一步：先生成一段没有声音的画面，然后在剪辑软件里熬上一个小时，把切点一帧帧对到鼓点上，再想办法让嘴型对上台词。Seedance 2.5 换了个方向解题——它允许你先把一段音频交给模型，作为参考素材输入，让画面跟着声音长出来。这就是新增的只参考音频模式：投喂一段 BGM、一句人声或一条音效，模型从第一帧起就用它来驱动节奏、卡点和口型对齐。这是 Seedance 系列头一回支持这种玩法，而截至本文写作时，全网几乎找不到像样的教程。

本文基于字节跳动官方发布的《Seedance 2.5 企业实践手册》，并在 Vogoo studio 里实际跑过一遍做交叉验证。下文所有规格、限制和提示词都能追溯到官方文档或文末列出的来源，没有一处是猜的。

什么是只参考音频

字节把 Seedance 2.5 定义为音画联合生成模型：声音和画面是一起生成的，而不是后期拼上去的。它的参考体系接受三类模态——图片、视频、音频，而 2.5 是第一个允许音频单独作为唯一参考的版本。

官方实践手册明确列出了 7 种模态组合：

按手册说法，参考音频可以是一段 BGM、一句人声或一条音效——模型会从中读出节奏、情绪和语音信息，再据此构建画面：切点落在鼓点上，角色嘴型对上台词，场景能量跟着音轨的强弱起伏走。

音频这一项升级，装在 2.0 到 2.5 一整轮参考能力扩容里：

如果你想看音频之外的全部变化，Seedance 2.5 专题页覆盖了整轮发布；本文只聚焦音频这条链路。

音频参考规格：到底能传什么

在动手写提示词之前，先把硬限制记住。以下数字直接来自官方实践手册：

两个实操提醒。第一，别走极端：贴着 2 秒下限的片段信息量不足、特征不完整，模型很难稳定识别；而把 30 秒上限填满又容易让关键特征被稀释、噪声变多。与其上传整首歌，不如剪出你真正在意的那一小段。第二，@ 符号的纪律对音频同样成立：每引用一个素材，就要紧跟一句使用声明——"音效参考 @音频1"——绝不能出现"参考 @音频1"这种无头无尾、没交代用途的写法。

五个官方案例：从纯音频到全模态

实践手册按复杂度阶梯演示了整条音频链路。以下是 5 个官方案例，凡是手册给出提示词原文的地方，都原样附上。

案例 1 —— 只参考音频：两只守宫的越狱会议

这是新模式的旗舰演示。唯一的参考素材是两段音频——一段马戏团后台环境底噪，一段背景音乐。没有图片，没有视频。模型据此搭出一段 3D 动画，调度和情绪节点全跟着声音走。

Seedance 2.5 官方演示 —— 字节跳动 / 火山引擎实践手册。

官方提示词的开头是这样的：

【两只守宫的越狱会议 — 3D 动画 | 马戏团后台 | 约 20 秒】

【一句话梗概】 开场先留一段环境空镜交代"这是马戏团后台"，随后两只守宫（一只
胖胖的、一只小小的）商量逃出马戏团的策略，爆发简短争执，最后达成一致；以放大
的马戏团后台环境音底噪为主，背景音乐几乎全程铺底、在关键情绪点加强。

注意这段提示词做了什么：它给每一层音频都分派了明确职责（环境底噪打底，音乐负责情绪加强）。这就是值得抄走的写法。

案例 2 —— 节奏迁移：换耳机广告

这个案例把一张产品图和一段参考视频配在一起，目标是迁移剪辑节奏——原片的切点和转场速度被搬到一条全新的产品短片上。这跟音频模式调动的是同一块"卡点肌肉"，只不过控制权在视频这一侧：

Seedance 2.5 官方演示 —— 字节跳动 / 火山引擎实践手册。

参考 @视频1 的运镜方式与剪辑节奏，生成一条耳机@图片的广告短片。适配符合产品
调性的场景，强调现代、简洁、科技感。产品特写与场景全景的切换点与原片一致，保
持同样的运动速度与转场方式。

案例 3 —— 三模态齐上：26 秒走路长镜头

最完整的工作流：一摞参考图片（人物、服装、场景）、多段参考视频（镜头语言）、外加音效素材，全塞进一条 26 秒一镜到底里，镜头内还要完成昼夜交替与四季流转。官方提示词的开头部分：

Seedance 2.5 官方演示 —— 字节跳动 / 火山引擎实践手册。

核心指令： 全程 26 秒一镜到底（One-Shot）叙事短片，稳定跟拍，参考【视频1】与
平滑环绕运镜，参考【视频2】交织。平滑行进感。镜头内实现昼夜交替与四季流转。
主角是一位欧洲女人【图片1】，置身充满烟火气的人海，凸显极致的孤独感与电影摄影
质感。

分段运镜与场景描述：

0-3 秒（平稳背跟）： 老旧木门【图片2】"吱呀"推开，镜头紧随欧洲女人穿着
【图片3】的背影步出。他在门槛处微停，前方街巷光影斑驳，叫卖与人潮声扑面而
来。她神情疏离，缓缓迈步融入街道。

每一份素材都被点名、被派活，而且是按时间轴分段派的。

案例 4 —— 音乐驱动多角色：宫廷舞会

一条 41 秒的宫殿宴会群像镜头，一大票角色在整个镜头里保持一致，其中一段参考音频负责控制某个角色说台词时的音色：

Seedance 2.5 官方演示 —— 字节跳动 / 火山引擎实践手册。

官方提示词里的关键一句：

男1从画面左前方伸出右手，用右手拿起一只香槟杯，举到右肩前方，面向前方宾客大
声说："Everyone, enjoy this party!"（音色参考 @音频1）

那个括号就是整套口型对齐工作流的全部：把台词写死在提示词里，把音色指向一段参考音频，模型负责演出来——包括嘴型。

案例 5 —— 音乐配 3D 白模：飞船

手册里最硬的一道参考题：把一段专业级 3D 白模（无材质预演）动画当作 @视频1 输入，一张风格图当作 @图片1，让模型把整段序列重渲染到成片质感，同时逐帧保住结构和运镜。官方演示片配了音乐，展示预演如何变成一段带配乐的成片：

Seedance 2.5 官方演示 —— 字节跳动 / 火山引擎实践手册。

保持 @视频1 中的镜头运动、时长、构图、景别、空间关系、物体位置、模型结构和运
动轨迹不变，以 @图片1 作为材质、光照、色彩和整体氛围参考，将 @视频1 中的白膜
材质替换为接近 @图片1 的真实材质，加入自然光影、接触阴影、环境光、反射、高光
和空间层次，整体呈现真实电影级渲染质感。

同样这套参考组合——音频、图片、视频一起上——可以在 Vogoo 的 Seedance 2.5 studio 里免费试，它支持模型完整的 30 秒一镜到底生成、最高 4K 输出、原生同步音频，以及单次任务最多 50 个参考素材。

自己写音频 + 图片 / 视频提示词

把官方案例提炼一下，可复用的流程是这样：

1. 先把音频剪到真正要用的那一段。 mp3 或 wav，小于 15MB，单段控制在 2～30 秒——一小段精准的素材胜过整首曲子。
2. 上传后给每段音频明确派活。 氛围驱动型生成的标准写法是：音乐氛围参考 @音频1，画面主体参考 @图片1，生成一条节奏契合的短片。一份素材，一句声明，永远成对出现。
3. 多段音频要分层。 环境底噪、音乐、人声、点缀音效各占一段、各有各的职责说明——就像守宫那个案例一样。
4. 台词写进提示词，音色指向音频。 把确切台词用引号写出来，后面跟上 （音色参考 @音频N）——舞会案例的写法。
5. 要给已有视频换声音，走编辑范式：保持 @视频1 的画面与运镜不变，将背景音乐替换为 @音频1。这属于视频转视频操作，而不是重新生成一条。

如果你对 @ 参考语法本身还不熟，参考生视频工作流用的是同一套语法，三种模态通用。

它到底差在哪

大多数 AI 视频工具把声音当成事后补的东西——你先用文字或图片提示词生成无声画面，再在剪辑软件里硬贴上音轨，祈祷切点大致对得上。少数模型能自己生成配乐，但你没法把自己那条音轨交给它、让画面听它的。Seedance 2.5 的只参考音频把这条流水线倒了过来：音频成了一等输入，在生成阶段就决定节奏、切点、情绪和嘴型。开源阵营的对手 MiniMax H3 这一轮猛攻的是运动质量，但把参考音频当成可独立驱动的输入，仍是字节自己主张的差异点——而且按企业手册的说法，2.5 的 10 段、30 秒音频额度是与视频参考额度分开计算的，两种模态谁也不挤谁。

音频驱动适合用在哪

有三类工作流会被明显压缩：

• 音乐视频卡点。 手册里的卡点案例可以看到造型和场景切换准确落在配乐节拍上——音乐让它在哪切它就在哪切。这也是任何 AI 音乐视频生成流程的核心动作：先定曲子，再让画面追着走。
• 口播与配音内容。 写死台词 + 音色参考，等于在生成阶段就拿到了音频驱动的 AI 口型同步；再加上 2.5 原生支持 11 种语言，同一个场景可以按市场换语言演一遍，嘴型跟着每种语言走。
• 氛围片与空镜段落。 守宫案例说明，光靠一层声音底噪就能把场景交代清楚——对品牌情绪片、游戏氛围片、以及"配乐先于素材"的片头段落都很实用。

常见问题

Seedance 2.5 的参考音频支持哪些格式？

mp3 和 wav，单个文件不超过 15MB。单段时长必须在 2～30 秒之间，最多可挂 10 段，且全部音频总时长每次生成上限为 30 秒。

只有一首歌或一段音频，能生成视频吗？

可以——这正是 2.5 新增的只参考音频模式。你上传一段或多段音频，不带图片和视频，再用文字描述场景，模型就会生成节奏、切点和情绪跟着声音走的画面。此前的 Seedance 版本至少需要一张图片或一段视频作为参考。

音频参考能做口型同步吗？

能。把确切台词写进提示词，再挂一段人声素材并声明"音色参考 @音频1"——官方的舞会演示就是这么让角色把台词说出来、嘴型还对得上的。模型在支持的 11 种语言上都会做口型对齐。

传了音频参考，能引用的视频会变少吗？

不会。官方手册写明视频时长与音频时长分开计算——同一个任务里可以并存 30 秒视频参考和 30 秒音频参考，整体仍在 50 个素材的上限内（30 张图 + 10 段视频 + 10 段音频）。

音频生成视频跟在剪辑软件里配乐有什么区别？

剪辑是在画面定稿之后才加声音，所以你得反过来重剪素材去迁就音轨。音频驱动生成把音轨变成输入：鼓点、能量变化和台词在画面被造出来的那一刻就参与塑形，切点和嘴型天生就是对的，不需要手动对轨。

在哪里可以试 Seedance 2.5 的音频能力？

Vogoo 上的 Seedance 2.5 studio 直接在浏览器里跑这个模型——30 秒一镜到底生成、最高 4K、原生同步音频、单次任务最多 50 个参考素材，并且可以免费开始。套餐细节见价格页。

写在最后

只参考音频是 Seedance 2.5 里最容易被忽略的头条：在这条模型线上第一次，一段音乐、一句人声或一条音效可以成为驱动整次生成的东西，画面按声音长出来，而不是反过来。规格也给得大方——10 段素材、30 秒音频额度与视频参考分开计算——而官方案例展示了同一套 @ 语法从两段音频的守宫短片，一路撑到带音色台词的多角色舞会长镜头。如果你的工作本来就从声音开始——一个节拍、一段台词、一条配乐——这一步能把过去吃掉你半个下午的对轨环节直接抹掉。剪一段音频，声明它的职责，然后到 Vogoo 的 Seedance 2.5 studio 里跑一次，一遍就能同时听到和看到结果。

来源

• Doubao-Seedance-2.5 企业实践手册 —— 字节跳动 / 火山引擎（飞书文档） —— 主要来源：全部音频规格（15MB、mp3/wav、2～30s 单段、10 段 / 30s 上限、时长分开计算）、7 种模态组合，以及上文引用的全部官方案例提示词。
• Seedance 2.5 —— 一镜直出、灵活参考 · 字节跳动 Seed 博客 —— 官方发布公告，确认 30 张图片 + 10 段视频 + 10 段音频的参考额度，以及 30 秒音画一次生成。
• Seedance 2.5 官方产品页 —— 字节跳动 Seed —— 将 2.5 定位为音画联合生成模型；确认 30s 单次生成、白模控制与基于参考的编辑能力。
• 字节跳动发布 Seedance 2.5 视频生成模型 —— TechNode —— 2026 年 7 月 31 日在即梦 AI 与豆包 Pro 上线，API 计划通过火山引擎方舟开放。
• 字节跳动发布 Seedance 2.5：支持 50 个参考输入的 30 秒原生 4K AI 视频模型 —— TNW —— 对 50 个参考素材上限与原生 4K 输出的独立佐证。
• 字节跳动发布 Seedance 2.5 视频模型 —— The Information —— 行业媒体对本次发布的简报。
• 字节跳动 Seedance 2.5：原生 30 秒 AI 视频，无需拼接 —— Tech Times —— 2026 年 6 月 23 日火山引擎 FORCE 大会首次亮相；单段连续 30 秒、无需拼接。
• 中国 AI 视频之争选边站队：Seedance 2.5 闭源、MiniMax H3 开源 —— Tech Times —— Seedance 2.5 与 MiniMax H3 对比的竞争背景。
• 报道称字节跳动暂停 Seedance 2.0 视频生成器的全球发布 —— TechCrunch —— 本次发布所取代的 2.0 一代的背景资料。
• Seedance 2.0 音频输入指南 —— 火山引擎 —— 关于如何挑选干净参考音频的官方指引，也是 2.5 只参考音频模式的能力源头。