Пока OpenAI и Google делили первенство в гонке за лучший ИИ-генератор видео и изображений, китайская ByteDance сделала свой ход. Причем, заявка на лидерство в этой сфере прозвучала очень мощно. Seedream 5.0 рисует картинки, которые сами ищут референсы в Интернете. А Seedance 2.0 может создавать качественные ролики с диалогами на восьми языках. Оба продукта уже в CapCut — приложении с миллиардом пользователей.

Seed Team (внутренняя исследовательская лаборатория ByteDance) практически одновременно представила два продукта. Seedream 5.0 — генератор изображений с нативным разрешением 4K и встроенным поиском в Интернете: модель сама ищет актуальные референсы перед генерацией, поэтому если попросить нарисовать «новейший iPhone 17», она не будет придумывать устройство с нуля, а просто найдёт свежие фотографии. Seedance 2.0 — генератор видео, который одновременно принимает до девяти изображений, трёх видео и трёх аудиофайлов, соединяя всё это в ролик длиной до 15 секунд с нативной озвучкой и синхронизацией голоса.

Оба инструмента сейчас доступны в CapCut бесплатно. Seedream 5.0 — в разделе AI Design, Seedance 2.0 — в бета-режиме в разделе AI Video. Лимит для бесплатных пользователей — около 20 генераций в день.

Главное новшество — архитектура, которую ByteDance называет «логическим мышлением» (то, что ИИ-инженеры называют reasoning, то есть способность модели рассуждать пошагово, а не выдавать первый пришедший ответ). Это означает, что модель лучше понимает сложные запросы: оптические законы, перспективу, разбирается в построении светотеневого рисунка, хорошо знает анатомию человека и биомеханику. К тому же Seedream 5.0 умеет редактировать изображения — можно сначала сгенерировать портрет, потом попросить «добавь шляпу», затем «замени фон на Токио ночью», и модель сохраняет контекст всей цепочки.

Поддержка до 14 референсных изображений позволяет «зафиксировать» конкретное лицо, стиль или цветовую палитру на серию картинок — полезно для брендинга и создания стабильного персонажа. Кириллица рендерится без искажений, что для русскоязычной аудитории очень важно.

Здесь ставка сделана на мультимодальность (возможность принимать разные типы данных одновременно). Пользователь может дать модели фото персонажа, видео с нужным движением камеры и аудиодорожку — и получить сцену, где всё это соединено в одном ролике. Lip-sync (синхронизация движений губ с речью) работает на восьми языках, включая русский.

На бенчмарке (тестовой платформе для сравнения моделей) Artificial Analysis одна из предыдущих версий, а именно Seedance 1.0 уже занимала первое место по генерации видео, опередив Veo 3, Sora и Kling. Версия 2.0 нативно поддерживает 2K-разрешение — конкуренты от OpenAI и Google всё ещё находятся на уровне 1080p.

Впрочем, честности ради: первые независимые тесты уже зафиксировали проблемы — перепутанный порядок речи и артефакты на субтитрах в сложных сценах. Демо-видео от ByteDance — это, разумеется, cherry-picking (отбор лучших результатов). Реальной консистентности добиться можно, но, скорее всего, потребуется несколько попыток.

Зато с распространением моделей у ByteDance вопросов не будет. Тут всё просто: CapCut уже стоит на телефонах у миллиарда человек, TikTok смотрят ещё больше пользователей. Встроенные ИИ-инструменты — это способ удержать пользователей внутри экосистемы, не выпуская их ни к Midjourney, ни к Runway, ни к Adobe. Генерация контента монетизируется через Pro-подписки и рекламу, а сами модели отдаются через Volcano Engine (облачная платформа ByteDance) корпоративным клиентам по API (программному интерфейсу для разработчиков).

По данным компании, 40% коротких видео на китайском Douyin уже содержат элементы, созданные с помощью ИИ. Глобальный TikTok идёт тем же путём.

Правда в доступности ИИ-инструментов для генерации видеороликов есть своя опасность. Нейрослоп (так называют однотипный, безликий контент, сгенерированный ИИ без участия человека) никуда не денется. Новые модели ByteDance снижают порог настолько, что любой школьник с телефоном сможет за 5 минут заполнить свой аккаунт десятком роликов.

Все это работает без VPN в большинстве стран.