Seedance 2.5 Praxistest | Lohnt es sich wirklich, den hohen Preis für seine Nutzung zu zahlen?
Wenn die Erstellungskosten eines 30-sekündigen 1080P-Videos nahezu 156 Yuan betragen, ist die Nutzungsrate die eigentliche Schwelle, die darüber entscheidet, ob es in den Arbeitsablauf aufgenommen werden kann.
Sobald die Ausrichtung der Figuren im generierten Video falsch ist, muss der gesamte Inhalt neu erstellt werden. Umgerechnet auf den aktuellen Tarif für fortgeschrittene Mitglieder von Jimeng reicht ein Paket für 499 Yuan nur aus, um dreimal ein vollständiges 30-sekündiges 1080P-Video zu generieren. Mit der Erweiterung der Modellfähigkeiten für die Erstellung pro Sekunde beginnen die Ersteller auch, die Kosten pro Versuch zu berechnen.
Das KI-Bewertungsteam von 36Kr hat 27 professionelle Bewerter eingeladen, um eine Woche lang unter hohem Druck Tests zum Thema *Die Reise nach Westen* durchzuführen. Dieser Test deckt komplexe Handlungen, Dialoge mehrerer Rollen, Bewegungen, Gruppenbilder und extrem lange Videos ab. Wir haben gleichzeitig die Videointerviews und schriftlichen Rückmeldungen vollständig nachvollzogen. Dieses Mal beobachten wir schwerpunktmäßig, wie es sich an echte Arbeitsabläufe anpasst: Wie viel Aufwand für die Materialvorbereitung erforderlich ist; wie viele nutzbare Aufnahmen bei einer einzigen Generierung übrig bleiben und welche Kosten bei einem einzigen Fehlschlag entstehen.
KI-Bewerter von 36Kr: umfassen AIGC-Inhaltsersteller, Leiter von KI-Manhua-Teams, Kreativdirektoren von 4A-Werbeagenturen, CG-Forscher, Beobachter der Technologiebranche, Top-UPs von Bilibili sowie praktische Experten für die Umsetzung von KI-Videoproduktion in verschiedenen Branchen.
Zuerst die Schlussfolgerung:
● Die Funktion zur lokalen Bearbeitung senkt die Fehlerkosten wirksam.
● Damit die Anweisungen besser befolgt werden können, ist die Vorarbeit aufwändiger. Rollen, Positionen, Dialoge und Fehlervermeidungsbedingungen müssen klar formuliert werden.
● Die Effizienzdividende kommt zuerst den professionellen Nutzern zugute; normale Nutzer sind nach wie vor durch ihre Fähigkeiten bei der Formulierung von Prompts und ihr Budget für Versuche mit Fehlern eingeschränkt.
01
30 Sekunden, die zum ersten Mal wie eine echte Szene wirken
Als ein Erzählregisseur eines KI-Manhua-Teams den Ausschnitt *Das Königreich der Töchter* erstellt, hat sich sein Fokus von „Ist ein einzelnes Bild schön genug?“ zu „Ist eine Handlung logisch und nachvollziehbar?“ verschoben.
Er nutzt die Königin, den Mönch Tang, Sun Wukong, Zhu Bajie, den Palast und das Stadttor jeweils als Referenz und lässt jedes Material eine klare Aufgabe übernehmen. Beim Verfassen der Prompts gibt er die Pausen, Gesten, Gebetsketten und Blickrichtungen der Figuren vor.
Die Generierungsdauer von 30 Sekunden verändert genau dieses Gefühl für das Endergebnis. Im früheren Modus mit 15 Sekunden mussten Ersteller oft warten, bis ein Abschnitt fertig generiert war, bevor sie durch Rückmeldungen den nächsten Abschnitt erstellen konnten. Mit 30 Sekunden bleiben mehr Handlungselemente in derselben Generierung erhalten, sodass Rollenbeziehungen, Lichtverhältnisse und Räume nicht nachträglich durch Schnitt und Zusammenfügen angepasst werden müssen.
Ein Ersteller von Kurzfilmen sagt offen, dass er früher für einen einminütigen Probeentwurf viele 15-sekündige Materialien zusammenfügen musste, während er jetzt mit zwei oder drei 30-sekündigen Ergebnissen schon einen ersten Entwurf schneiden kann, was den Erstellungsprozess viel reibungsloser macht.
Ein weiterer Grund für diese reibungslose Erfahrung: Wenn es mehr Referenzmaterialien gibt, können Ersteller Rollen, Szenen, Requisiten und Übergangsbilder getrennt voneinander definieren, sodass die Anzahl der Variablen, die das Modell selbst ergänzen muss, entsprechend abnimmt. Es erreicht zwar nicht, dass alle Aufnahmen beim ersten Versuch nutzbar sind, aber der Anteil der behaltbaren Aufnahmen steigt.
Ein Regisseur für Filmkonzeptbilder drückt es sehr pragmatisch aus: „Die Anzahl der unbrauchbaren Aufnahmen ist ein bisschen gesunken, und die Anzahl der nutzbaren Aufnahmen ist ein bisschen gestiegen.“
Der Nutzen der Generierungsdauer ist innerhalb von 30 Sekunden am stabilsten. Wenn zu viele Informationen eingefügt werden, kürzt das Modell die Handlung von selbst oder presst den Inhalt mit unnatürlicher Beschleunigung in 30 Sekunden. Ein anderer professioneller Ersteller hat ein 87-sekündiges Video getestet und schätzt am Ende, dass die Nutzungsrate der Aufnahmen nur 40 % beträgt, im hinteren Teil tritt zudem eine Abweichung im Erscheinungsbild der Rollen auf.
Für Kurzfilme, Manhua, Konzeptbilder und Werbemuster ist ein 30-sekündiges Video bereits eine nahezu nutzbare Produktionseinheit; die extrem lange Generierung ist derzeit eher eine technische Demonstration.
02
Zwischen „befolgt Anweisungen“ und „versteht den Nutzer“ liegt eine hohe Schwelle
Mehrere Bewerter erwähnen, dass Version 2.5 Anweisungen besser befolgt: Wenn die Dauer der Aufnahme auf einige Sekunden festgelegt wird, kann das generierte Ergebnis meistens den Regeln entsprechen; wann eine Figur pausiert, wo die Hand liegt und wer zuerst spricht – solange die Anweisungen ausreichend spezifisch sind, steigt die Ausführungsstabilität deutlich. Ein häufiger Ersteller gibt an, dass seine Erfolgsrate bei Verwendung detaillierter chinesischer Prompts in seinen persönlichen Versuchen über 90 % liegt.
Dass das Modell Anweisungen besser befolgt, macht die Prompts aber nicht einfacher. Um Fehler bei Handlungen mit mehreren Personen zu vermeiden, definiert ein Regisseur eines KI-Manhua-Teams klar, wer welche Zeile spricht, dass der Dialog vollständig gesprochen werden muss und an welcher Position die Bewegung endet. Er nennt diese Inhalte Fehlervermeidungsbedingungen. Ein Animationsersteller stellt zudem fest: Je besser das Modell den Eingaben entspricht, desto vollständiger müssen die Ersteller vor der Generierung Aufnahmen, Bewegungen und Risikoprognosen formulieren, sodass der Arbeitsaufwand in der Vorphase entsprechend steigt.
Seedance 2.5 befolgt Anweisungen besser, versteht die Nutzer aber noch nicht wirklich. Es kann Bewegungs- und Zeitanforderungen bereits genauer erfüllen, bei abstrakten Ausdrücken wie Privatheitsgefühl oder kommerzieller Atmosphäre kann das Verständnis jedoch noch abweichen.
Wenn professionelle Ersteller privates Licht beschreiben, übersetzt das Modell „privat“ möglicherweise direkt in stärkere Schatten; Nutzer, die sich mit kommerzieller Analyse befassen, geben abstrakte kommerzielle Konzepte ein, sodass die Bilder leicht unzusammenhängend wirken; negative Einschränkungen funktionieren gelegentlich nicht, sodass auch konforme Kampf- und Feueraufnahmen eine zweite Prüfung auslösen können. Einfacher ausgedrückt: Es beherrscht die „Sprache“ noch nicht ausreichend gut.
Das ist das Alignement-Problem zwischen Sprache und Bild. Spezifische Anweisungen können in Zeit, Position, Bewegung und Objekt unterteilt werden, sodass das Modell ein klares Ausführungsziel hat. Abstrakte Ausdrücke enthalten normalerweise gleichzeitig Emotionen, narrative Ziele und visuelle Metaphern. Wenn jede Ebene wörtlich verarbeitet wird, weicht das Bild von der Absicht ab. Wenn in 30 Sekunden noch Dialoge mehrerer Personen, aufeinanderfolgende Bewegungen, Aufnahmewechsel und negative Einschränkungen hinzugefügt werden, wird der Prompt schnell zu einem kleinen Drehplan.
Die Eingabeobergrenze von 5000 Zeichen verstärkt diese Belastung weiter: Für eine einzelne Aufnahme reichen 5000 Zeichen aus, aber für eine komplexe 30-sekündige Handlung müssen Ersteller oft zwischen Darstellungsdetails, Szenenkontinuität und Fehlervermeidungsbedingungen abwägen und Inhalte kürzen. Der extrem lange Modus verwendet dieselbe Obergrenze, sodass das Problem noch deutlicher wird. Das Modell bietet eine längere Leinwand, aber die Nutzer erhalten keinen proportional erweiterten Steuerungsraum.
03
Nach dem ersten Eindruck beginnt die Fehlersuche
In der ersten Bewertung waren Bildqualität, Bewegungen und Kameraführung die Kernkriterien für die Beurteilung des Fortschritts des Modells. Im echten Nutzungsprozess hat sich die Betrachtungsweise der Ersteller jedoch verändert. Ein KI-Bewegungsregisseur fasst diese Veränderung zusammen als Übergang von „Sieht es realistisch aus?“ zu „Ist der Ablauf reibungslos?“.
Bei dem Bewegungstest zwischen Sun Wukong und Yang Jian erzeugen Funken, Luftströmungen, Verfolgungskameras und Bewegungsunschärfe leicht einen starken ersten Eindruck. Bei genauer Betrachtung im langsamen Tempo fehlt manchmal ein Teil zwischen dem Schwingen des Stabs, dem Blocken, dem Aufprall und dem Zurückprallen. Ein Leiter für CG-Bewegungsvorvisualisierung erinnert daran, dass „schnell aussehen“ und „sich wirklich schnell bewegen“ zwei verschiedene Dinge sind. Spezialeffekte können das Seherlebnis verbinden, aber die Kausalität von Bewegungen nicht ersetzen. Für Cutter sind Aufnahmen ohne Zwischenschritte schwer in den fertigen Film einzufügen.
Das ist auch ein entscheidender Wendepunkt im Nutzungserlebnis. Frühe KI-Videos reichten schon mit ein oder zwei beeindruckenden Aufnahmen aus, um eine gute Präsentation zu liefern. Nachdem sie in die Arbeitsabläufe eingetreten sind, wird die Bewertungseinheit zur Nutzungsrate des gesamten Abschnitts. Ob der Dialog falsch gesprochen wird, ob sich Requisiten verformen, ob die Umgebung einheitlich ist und durch welche Tür die Figur geht – diese Details bestimmen gemeinsam, ob ein 30-sekündiges Video behalten werden kann. Seedance 2.5 macht den ersten Eindruck zufriedenstellender, aber auch die zweite Sichtung des Materials wird strenger.
