苹果的WWDC26刚结束不久，发布会转场衔接效果让我意犹未尽。
老板看完念叨了好几天，想让我给AI星踪岛的机器人之家模块，也做个这样风格的发布会！
我说，人家那是实拍的。一套灯光设备够买一间会议室，随便一组镜头够请一支摄影团队忙一周。
老板说：那你想想办法。
那肯定得用AI，我第一时间想到视频效果最好的模型，字节的Seedance 2.0。
既然是做发布会视频，肯定要上大屏。清晰度不能妥协，素材底子必须能承受后期多次修改。
刚好字节昨天在火山引擎 Force 大会上宣布 Seedance 2.0 支持原生4K和10-bit色深，真是及时雨。
而且这次 Force 大会，还发了一个新的豆包语音生成模型 1.0。我实测过了，这个音频模型的升级比 Seedance 2.0 更让我坐不住！
我给大家演示效果，你就知道有多厉害了。
Seedance 2.0 的镜头调度我一直很满意，放到专业剪辑软件里完全不违和。
最近发现了两个小技巧，能让镜头调度更灵活。
第一个是关于参考图的。
虽然 Seedance 2.0 支持9个参考已经是行业领先了，但做发布会视频分镜一多，9张偶尔还是不够用。
其实可以把所有分镜拼成一张大图，一整张传进去。
Seedance 2.0 也能理解。
每一格的构图、角色位置、文字说明，AI照单全收，会按顺序把对应的视频片段跑出来。
不过大家以后就不用纠结9个参考不够了。
下个月火山引擎要发 Seedance 2.5，最高支持50个参考！图片、视频、音频都能往里投。
单段时长也从8秒提到了30秒，我现在已经在盘算下一支视频怎么拍了。
下一个技巧更神奇。
如果你发现图片和文字提示词控制镜头运镜不太好表述，其实你可以直接在图上画条线，告诉AI：
第一人称无人机飞行视角，严格遵循图像中的红色飞行路径，画面中不出现红色线条和箭头，没有跳接。
就能生成沿着路径的鸟瞰飞行镜头，以前得租无人机才拍得出来。
现在你只需要用 Seedance 在参考图上画根线就行了。
来看看最终生成的发布会开场的4K成片。
原生4K直出的视频，每一帧截下来都是高清图。
我另外还生成了一个720P的效果放在一起对比，差距一目了然。
原生4K和10-bit色深，对专业影视工作室来说太有用了。
4K可以直接上大屏，电影院、发布会LED墙，不用后期拉伸。
而10-bit色深能让从暗部到聚光灯下的亮部的过渡没有色带，更自然。后期调色空间也大得多。
说不定很快，就能在电影院里看到用 Seedance 2.0 做的电影。
画面这块完全够用了，但一支发布会视频，光有画面只算做了一半，另一半在声音。
旁白的质感，直接决定整场发布会的质量。
我把演讲稿投给这次新出的豆包语音生成模型 1.0，加上一句提示词：
生成出来不仅仅是两个人在对谈，还能听到背景的BGM和一些环境的声音。
而且在对谈时，BGM会自然地降低，这效果就像是有专业剪辑师做的多轨混音一样。
方言生成的效果也不错，你听听我生成的这个东北口音版，一开口「哎妈呀」，自带喜感。
再试试科幻风格的机器人独白，声音的质感和人格都跟着风格变了。
试到这里我已经有点上头了，它居然不只是说，还能唱出来。
别看我演示的就两分钟，其实豆包语音生成模型1.0能拉到几十分钟不换音色，做播客、有声书、长篇配音绰绰有余。
除了文字提示词，上传录音也支持，生成出来的音频不仅音色一样，连语气和节奏都惟妙惟肖。
多角色对话更不用说，不只双人，复杂场景里多个声音一次全出来，每个人的说话风格都分得开。
以前说到字节的AI，大家第一个反应是视频模型Seedance 2.0强。
但这次豆包语音生成模型 1.0从「能做语音」直接跳到了「重新定义语音模型能做什么」的程度。
以后大家提起字节的AI，视频和语音，两块都是行业第一梯队。
一条流水线全跑通
这次一起发的，不止视频和音频。图片模型 Seedream 5.0-Large 也更新了。
比如做发布会PPT，把复杂的图文信息扔过去，能生成一张可视化很好的图表。哪里不满意，圈一下直接改。
还能像PS一样把图片分层，精细化处理每一层。
同一个画面里，中文、英文、阿拉伯文，多种语言排在一起，各自按自己的阅读习惯对齐。
以后就可以把字节的这3个模型连成一条完整的创作线。
先用 Seedream 画分镜概念图：
再投给 Seedance 生成视频画面，最后交给豆包语音生成模型配上声音。
从创意到成片，一个人就能从头跑到尾。回头想想挺感慨的，去年这时候，AI出的画面拿去发篇文章、做条短视频，完全够用了。
现在再看，AI做的内容已经能从手机屏里走到影院级的商业项目中去了，这也就短短一年。
所以我想问问大家，这一年多AI创作工具的进步，最让你意外的是什么呢？
