市场资讯 09.06 16:47 （来源：量化智投）
Seedance 2.5与Seedream 5.0联动视频创作教程
1.1 Seedance 2.5视频生成模型 1.2 Seedream 5.0图像创作模型 1.3 模型联动视频创作流程 1.3.1 全流程：视频与图片混合迭代 1.3.2 Seedance 2.5｜首轮分镜生成 1.3.3 首轮检查与Seedream 5.0介入判断 1.3.4 Seedream 5.0｜关键帧图像生成 1.3.5 补充建议与特殊情况提示词 1.3.6 镜头串联、配音字幕与成片
DeepSeek多模态视觉理解模型发布
2.1 API调用：三种传图方式 2.1.1 Base64内联（本地图片最简便） 2.1.2 外部公网 URL（图片已经在网上时最快） 2.1.3 引用通过Files API上传的文件（同一张图反复用时最划算，免费复用） 2.2 清晰度控制与花费 2.3 多模态提示词设计 2.3.1 基本结构：system定角色，user放图文 2.3.2 多图输入 2.3.3 常用视觉任务提示词模板 2.3.4 稳定输出的 4 个技巧 豆包Seedance 2.5与Seedream 5.0联动视频创作教程 Seedance 2.5与Seedream 5.0联动，构建“理解→生图→生视频”全链路。Seedance 2.5为字节跳动新一代视频生成模型，原生单次可生成30秒视频、支持多轮延长，单次最多输入50个多模态参考素材；1080p/720p/480p每秒生成成本约2.7/1.7/0.7元，支持网页版与API调用。Seedream 5.0 Pro为同团队多模态图像创作模型，主打专业商业生产，具备图层拆分、像素级交互编辑、高密度信息图生成与多语种文字渲染等能力。二者均可在火山方舟申请API Key并与DeepSeek串联。 报告以制作国金金融工程团队30秒研究内容短片为例，给出“视频优先、混合迭代”的完整工作流。完整介绍了拆分镜、简化提示词首轮直出、逐镜头检查（中文准确性、字体、场景专业度、结构连贯、Logo合规）、用Seedream生成修复图/关键帧、送回Seedance重生成、最终剪映合成配音字幕的全过程。实践中Seedance文字生成精确度不足，故需借助Seedream锁定静态目标（场景、文字、结构、Logo）后再回滚重生成。报告同时沉淀出回滚修改提示词公式与推荐输出设置，为投研团队自制专业多模态内容提供了可复用的操作范式。 DeepSeek发布实验性多模态视觉理解模型，补齐“看图”能力 8月21日，DeepSeek-V4-Flash-Vision-Exp上线API平台。其纯文本能力与V4-Flash正式版持平，在需视觉理解的Agent Benchmark上大幅跃升，多模态Agent能力已接近Opus-4.8。该模型“只理解不生成”，暂不支持视频等其他模态。与Kimi等“产品/Agent优先”路线模型不同，DeepSeek延续“模型/API优先”的高性价比底座路线；此次同步推出Harness（Agent框架）与Files API，标志其开始补齐工具链一环，向成熟多模态体系靠拢。 API调用简明易用，三种传图方式按场景选择。模型完全兼容OpenAI SDK，仅需将content由字符串改为图文块数组。传图支持Base64内联（本地单图最简便）、外部公网URL（图片已在线时最快）、Files API引用（同图反复使用最划算、可免费复用）三种方式。图片按尺寸折算token计费，单图最高384 tokens，并可通过detail字段（low/high/original/auto）控制清晰度与成本。 模型能力及使用效果受版本迭代影响存在不确定性：DeepSeek-V4-Flash-Vision-Exp为实验性质模型，功能、性能与接口参数可能随时调整或下线；本报告所涉模型评测结果、调用价格与折扣口径均基于特定时点的公开信息，后续可能发生变化。生成式AI存在固有局限，视频与图像生成在文字准确性（存在错别字、乱码风险）、画面结构、Logo一致性与合规性等方面可能不及预期，相关生成内容需人工审核校验后方可使用。使用第三方模型及平台涉及数据安全、隐私保护、内容合规与知识产权风险，实际调用成本亦可能因参数设置、素材规模而波动。本报告所述工作流与提示词方案均基于特定案例的实际使用经验，仅供参考，不构成对任何具体应用场景效果的保证；相关技术应用不构成任何投资建议。
Seedance 2.5与Seedream 5.0联动视频创作教程
1.1 Seedance 2.5视频生成模型 Seedance 2.5是字节跳动于2026年7月31日发布的新一代视频创作模型，延续统一的多模态音视频联合生成架构。单次可原生生成的视频长度提升到30秒并支持多轮延长，单次最多输入50个多模态参考素材（参考图 ≤30、视频 ≤10、音频 ≤10），在长叙事、参考生成、精准编辑与原生出声上全面升级。 模型调用价格上，按照最新的折扣口径，Seedance2.5生成1080p分辨率视频每秒约2.7元（72折计费），同样以官方计算公式，720p分辨率视频每秒生成成本约为1.7元，480p分辨率视频每秒生成成本约为0.7元。 在使用方式上既支持网页版便捷交互使用，也支持API调用： 1) 网页版：a）即梦网页端-视频生成-选择Seedance 2.5；b）豆包专业版-视频生成-选择Seedance 2.5；c）火山方舟体验中心（https://console.volcengine.com/ark）- 体验-选择模型Seedance 2.5。网页版均可在对话框直接设定画面比例、分辨率、视频格式、时长、无/有声、上传参考图/首帧及输入提示词，生成后可在线智能编辑，或多次延长。 2）API（火山方舟 Ark，异步任务）：模型ID为doubao-seedance-2-5-260628，支持生成片段时长4–30秒，分辨率支持480p/720p/1080p。 1.2 Seedream 5.0图像创作模型 Seedream 5.0 Pro是字节跳动同一团队于2026年7月8日发布的多模态图像创作模型，主打专业商业生产。相比前代在图文匹配、结构合理性、文字渲染与美感上全面提升，具备图层拆分（将单张图片拆解为底图（1 张）+ 多个图层输出（最多 16 个图层））、像素级交互式编辑（通过坐标、框选、箭头等多种方式指定编辑位置，精准编辑图片）、高密度复杂信息图生成（输入多张参考图片（2-10）+ 文本提示词）、多语种文字渲染与真实商业人像等能力。 使用途径与Seedance相同，网页版三个来源：1）豆包 App/电脑版-AI创作-图片生成-选择模型 Seedream 5.0 Pro；2）即梦网页端-图片生成/Agent模式-选择图片 5.0 Pro；3）火山方舟体验中心-视觉模型-图片生成-Doubao-Seedream-5.0-pro。 同时支持API调用。 以上Seedance和Seedream两个系列模型均可在火山方舟官网（https://console.volcengine.com/ark）申请 API Key，并与DeepSeek等文本/视觉模型串联，形成“看图理解→生图→生视频”的全链路。 1.3 模型联动视频创作流程 此部分以制作国金金融工程团队30s宣传视频为案例展开模型调用、素材准备、分镜镜头划分、提示词设计、分镜视频延长、回滚再生成等的流程讲解。以下均基于实际使用经验，且涉及工具的介入使用，全流程仅供参考。 1.3.1 全流程：视频与图片混合迭代 项目整体流程为： • 拆分镜、设计分镜提示词、查找必要素材图片。 • 设计提示词用Seedance 2.5直接生成分镜镜头，首轮不预设辅助图。 • 逐镜头检查：中文是否正确、字体是否清楚、场景是否专业、结构是否连贯、Logo是否变形。 • 给每个片段定位明确问题，例如“五个关键词字体乱码”、“转场不连贯”等。 • 用Seedream 5.0生成对应修复图或首帧/尾帧图。 • 把修复图与必要的原始参考一起送回Seedance 2.5，重新生成该镜头。 • 镜头全部通过后进入剪映；添加BGM、转场、字幕与文本朗读。 1.3.2 Seedance 2.5｜首轮分镜生成 虽然目前Seedance 2.5模型已经支持一次性生成时长为30秒的片段，但根据使用经验，由于分镜表达的主体和内容不同，建议根据内容拆分合理数量的分镜，分别编写提示词。提示词内容可包括：基础图片素材、主场景描述、运镜细节、细分时段切割、色调风格提示及负面提示等。以下为初次简化提示词示例及实现效果。 1）镜头1：城市到紫竹楼体 输入：陆家嘴.jpg、紫竹.jpg｜4秒； 以上海陆家嘴高位远景开场，镜头平稳推进并轻微下压；2.6秒后让紫竹楼体成为主视觉，最后0.5秒稳定停留。真实商务建筑、自然金色光、金融机构宣传片质感；不要科幻城市、旋转、冲刺或无关Logo。 2）镜头2：楼体进入AI投研空间 输入：镜头1稳定末帧｜6秒； 承接楼体画面，经玻璃反射自然进入真实金融研究空间；依次出现研究屏幕、金融图表、报告和量化模型。末段稳定显示“量化选股、择时、机器学习、资产配置、基金研究”，中文使用微软雅黑，避免游戏UI、赛博朋克和乱码。 3）镜头3：研究材料到成果系统 输入：ppt截图材料，图1–8｜10秒 按“材料展示→缩小汇聚到左侧→中间结构整合→右侧形成AI模型与投研成果→放大成果”连续演化。墨蓝与奶油金，少量大标题，避免密集小字和杂乱粒子。不要逐页翻PPT。 4）镜头4：开书、Skills体系与品牌尾板 输入：logo.jpeg｜8秒 0–2秒翻开研究手册并露出Logo；2–5秒展示金融投研Skills体系；5–8秒收束到品牌卡和口号。Logo不变形、不重绘；中文统一微软雅黑，专业克制，避免普通PPT感和乱码。 1.3.3 首轮检查与Seedream 5.0介入判断 几个低成本修复原则：一次只处理一个目标——场景、文字、结构或Logo；先用Seedream确定静态目标，再回到Seedance重生成问题镜头；重生成时保持镜头时长与运动路径，重点修正不合格画面。 1.3.4 Seedream 5.0｜关键帧图像生成 在首轮视频生成任务检查过程中，我们发现Seedance的文字准确度大约在80%左右，无法做到无错别字不乱码，并且在风格理解和画面布局设计上存在需求理解偏差。因此，定位关键画面后，我们通过Seedream 5.0修正镜头，如：首轮视频中的研究空间场景、材料演化情景，五个投研关键词、skills体系关键词、结尾口号关键词的文字呈现、logo图像确定等。 此处修正首轮视频中的研究空间场景（分镜2）。提示词：生成一张高端金融科技宣传风格的静态画面。场景为数字化金融研究空间，画面中有研究屏幕、金融图表、分析面板、报告界面、数据流和量化模型结构，体现AI正在进入金融研究与投资分析场景。整体风格专业、克制、高级，配色为墨蓝与奶油金，质感干净，具有机构宣传片气质。不要赛博朋克，不要游戏UI，不要夸张粒子特效，不要杂乱，不要水印，不要乱码。 同时确定五个投研关键词的文字呈现（分镜2）。提示词：生成一张高端金融研究数字空间静态图。画面中清晰呈现以下五个短词：量化选股、择时、机器学习、资产配置、基金研究。文字要简洁、清晰、稳定、易读，不要长句。整体风格高级、专业、克制，配色为墨蓝与奶油金，具有金融机构宣传片质感。不要赛博朋克，不要游戏界面，不要过多特效，不要杂乱，不要水印，不要乱码。 随后回到Seedance 2.5，将分镜1稳定末帧与对应参考图一并输入，重新生成镜头2；图1负责修正情景，图2负责锁定关键词画面。 由于首轮视频中的材料演化情景不理想，需要生成辅助图先确定“研究材料汇聚—结构整合—成果升级”的目标画面，再回到Seedance重生成镜头3。 此处修正首轮视频中的材料演化情景（分镜3）。提示词：生成一张高端金融研究宣传风格的主视觉图。画面表现多页PPT、研究报告、流程图和成果页在空间中堆叠、叠加、滑动，并逐步融合成高级图表、AI模型和研究成果展示画面。PPT已发。整体体现“研究材料汇聚、结构整合、成果升级”的感觉。画面中保留少量清晰稳定的大标题，避免密集小字。整体配色采用墨蓝与奶油金，质感高级、专业、克制，像证券研究团队宣传片主视觉。不要卡通，不要赛博朋克，不要游戏UI，不要杂乱，不要夸张粒子，不要乱码，不要水印。 随后回到 Seedance 2.5，输入初始素材图与辅助图3，保持10秒演化节奏，依次呈现材料展示、汇聚、整合、成果形成与放大收束。 此处生成的辅助图4用于确定Skills体系文字，辅助图5用于确保Logo准确，辅助图6用于确定结尾口号文字。 确定Skills体系文字的层级与呈现（分镜4），提示词：生成一张高端金融投研宣传风格的静态画面。画面整体简洁、高级、专业，配色采用墨蓝、奶油金和深蓝灰。画面中清晰稳定地展示以下短词：量化选股、择时、机器学习、资产配置、基金研究、金融投研 Skills 体系、行业投资专家 Agent、AI 自动化因子挖掘、权益基金研究体系、投价报告自动生成。文字要简洁、稳定、易读，排版有层次感，不要长句，不要密集小字，不要杂乱，不要乱码，不要水印。 确定开书画面并确保Logo准确（分镜4），提示词：生成一张高端金融宣传片结尾主视觉图。画面中一本精致的研究手册、书页或正式资料被翻开，其中一页清晰呈现国金证券 logo。整体风格高级、专业、克制，具有证券研究团队宣传片质感。画面配色采用墨蓝、奶油金和深蓝灰，留白得体，质感干净。不要卡通，不要赛博朋克，不要水印，不要乱码，不要杂乱。 确定结尾口号的文字与品牌卡形式（分镜4），提示词：生成一张金融机构宣传片结尾品牌卡。整体风格简洁、高级、专业，配色为墨蓝、奶油金和深蓝灰，具有品牌收束感。画面中清晰展示结尾口号：“以专业驱动研究，以创新引领投研——国金金工”。参考logo可以修改成金色字体/图案，构图平衡，留白适中，适合作为宣传片最后定格画面。不要卡通，不要杂乱，不要乱码，不要水印。 随后回到 Seedance 2.5，同时输入三个辅助图，并明确8秒目标顺序：0–2秒到达图5的开书与Logo画面，2–5秒到达图4的Skills体系画面，5–8秒到达图6的品牌卡。 1.3.5 补充建议与特殊情况提示词 初次使用简单提示词生成分镜初稿后清晰定位问题，进行回滚修改的建议提示词公式：问题描述+目标场景+构图路径+确认文案+微软雅黑要求+配色+限制项。 类似项目中，通常出现场景已满足要求但画面内文字仍不稳定的问题，可为问题镜头生成一张文字目标图。保留现有场景、构图与配色，只呈现需要确认的短句：[确认文案]。所有中文逐字正确，统一使用微软雅黑字体（可替换），字形端正、层级清楚、留白充分；不要艺术字、密集小字、乱码、水印。 若演化路径不清晰，需要先锁定单张结构关键帧。目前Seedance支持使用白模参考、运动参考，更方便的是为问题镜头生成一张结构目标图。按“左侧输入材料—中部整合路径—右侧结果系统”组织空间关系，主体层级清楚，只保留少量大标题；墨蓝与奶油金，专业、克制。所有中文使用微软雅黑字体；不要PPT轮播感、游戏UI、杂乱粒子、乱码或水印。 辅助图送回Seedance 2.5，并在视频提示词中说明它是需要到达的目标关键帧。保持原镜头时长和运动路径，重点描述如何自然进入目标画面并稳定停留；每轮只调整一个核心变量，确认后再处理下一个问题。 1.3.6 镜头串联、配音字幕与成片 Seedance 2.5支持多轮延长，因此在画面主体、画风较为连续的叙述性视频创作过程中，推荐使用该功能。提示词开头可参考：延长视频，衔接@视频 1画面内容和主体继续生成一个30秒的视频，保持人物主体、场景、画面风格、声音音效一致…… 而在本宣传片示例中，实景和虚拟景、PPT素材和特效来回切换，推荐在确定各分镜视频后，运用剪辑软件做简单拼接。在有字幕、配音要求的视频创作中，也更推荐运用剪映等第三方工具添加字幕、从更广泛的风格人声库中生成配音。建议将BGM、文本朗读、字幕与视频分轨管理，便于多次完善视频效果。 导出前检查八项：镜头顺序正确、所有中文逐字正确、Logo与原始logo一致合规（无变形、重绘或无关品牌）、场景专业克制、结构演化方向清楚、旁白、字幕与画面同步、BGM不压人声、输出分辨率、帧率、码率确定。
DeepSeek多模态视觉理解模型发布
8月21日，DeepSeek全新的多模态视觉理解模型DeepSeek-V4-Flash-Vision-Exp上线其API平台，作为实验性质模型。其纯文本能力（Agent、推理、世界知识等）与DeepSeek-V4-Flash正式版持平，并在需要视觉理解的Agent Benchmark上相比DeepSeek-V4-Flash实现了大幅跃升，多模态Agent能力已接近Opus-4.8。 与Kimi K3等原生多模态（文字、图片、视频在同一个模型里被统一理解）模型不同，DeepSeek-V4-Flash-Vision-Exp补上了模型的看图能力，但只理解不生成，视频等其他模态也不在其理解范围内。在产品定位上，Kimi的“产品/Agent”优先路线把模型包装成一个带内置工具（联网搜索、文件解析、代码执行、幻灯片渲染与导出）的长上下文助手；而DeepSeek一直以来的“模型/API”优先路线则提供极具性价比的强底座，把工具链和产品化留给开发者自己去搭。值得注意的是，这一格局正在改变：vision-exp上线伴随着DeepSeek同步推出的Harness（Agent 框架）与Files API，这标志着它也开始补齐“工具链/Agent”这一环，逐渐向成熟多模态靠近。 2.1 API调用：三种传图方式 DeepSeek-Vision-Exp也完全兼容OpenAI SDK，base_url不变。核心区别只有一点：带图片时，content不再是一段字符串，而是一个块数组，拼接文本与图片。 其中图片有三种传入方式，按场景选择。 2.1.1 Base64内联（本地图片最简便） 把本地图片编码成data:URL直接塞进请求，这是本地文件最简单的方式。适合一张图、问一次。内联图片会计入48 MiB请求体上限；单图最大32MiB。 2.1.2 外部公网 URL（图片已经在网上时最快） 传入一个可公开访问的http(s)链接，模型会自动下载图片。URL最长8192 字符、图片≤32 MiB、需60秒内下载完成。 2.1.3 引用通过Files API上传的文件（同一张图反复用时最划算，免费复用） 通过Files API上传一次图片拿到file_id（形如file-api-xxx），之后多次请求直接引用，不必重复上传。单文件可达64MiB（超过内联32MiB上限时也只能走这条路）。 2.2 清晰度控制与花费 对于前两种方式的image_url输入，可以进一步选填细节级别detail字段来控制图片处理方式，例如：{"type":"image_url","image_url":{"url":"…","detail":"original"}。 具体费用上，图片按尺寸换算成 token，与文本token一起计费；每张图最高384 tokens，价格按V4-Flash标准。 缩放规则上，小于约384×384的图会等比放大；更大的图等比缩小到约800×800的总像素。所以2000×2000和5000×5000消耗的token相同。 2.3 多模态提示词设计 多模态提示词 = 角色设定（system）+ 图文混排的任务（user）。掌握下面几点，效果会稳定很多。 2.3.1 基本结构：system定角色，user放图文 需要注意的是，图片只能出现在user消息里，放进system或assistant会报400错误。 文字块和图片块的顺序上，一般把文字说明放前面，让模型先知道要干什么再看图。需要模型逐图处理时，可以「文字→图A→文字→图B」交替排列，用文字给每张图打标签。 2.3.2 多图输入 一个user消息里放多张图，单请求最多 600 张图，≥15 张图时单边尺寸自动降到4096 像素。 2.3.3 常用视觉任务提示词模板 2.3.4 稳定输出的 4 个技巧 1）明确产物格式：要Markdown格式需说明，要JSON就给字段名，避免模型自由发挥。 2）分点提要求：用1) 2) 3)列清楚，比一大段话更可控。 3）约束边界：如“40字以内”、如“只输出规定格式的回答本身，不要解释”。 4）细节任务用detail:"high"，识别人脸、小字、表格数字时必须调高至high。
1. 模型能力及使用效果受版本迭代影响存在不确定性：DeepSeek-V4-Flash-Vision-Exp为实验性质模型，功能、性能与接口参数可能随时调整或下线；本报告所涉模型评测结果、调用价格与折扣口径均基于特定时点的公开信息，后续可能发生变化。
2. 生成式AI存在固有局限，视频与图像生成在文字准确性（存在错别字、乱码风险）、画面结构、Logo一致性与合规性等方面可能不及预期，相关生成内容需人工审核校验后方可使用。
3. 使用第三方模型及平台涉及数据安全、隐私保护、内容合规与知识产权风险，实际调用成本亦可能因参数设置、素材规模而波动。
本报告所述工作流与提示词方案均基于特定案例的实际使用经验，仅供参考，不构成对任何具体应用场景效果的保证；相关技术应用不构成任何投资建议。 证券研究报告：《大模型赋能投研之二十九： 金融场景AI视频生成实战：Seedance 2.5模型使用指南》 对外发布时间：2026年8月23日 报告发布机构：国金证券股份有限公司 证券分析师：高智威 SAC执业编号：S1130522110003 邮箱：gaozhiw＠gjzq.com.cn
本文作者：市场资讯