真实视频互动原型：Seedance 2.0 实测

本版已用 GPT Image 2 生成一张成年女性图片，再以同一图片作为首帧和尾帧，生成四段 Seedance 2.0 视频。人物动作来自真实的视频生成结果；前端仅解码、绘制和切换视频，不使用上一版的图片形变。生成日期：2026-09-15。

已生成素材

耗时取任务返回的 startedAt 与 finishedAt，不含图片生成、上传、网络下载、排队或浏览器播放。这四次观测不是性能分位数或服务承诺。图片生成使用 ModRouter 中的 gpt-image-2，1024 × 1536，高质量；CLI 实测约 89 秒。

全部原始视频保留，可从 demo 的“原始素材与运行记录”直接打开。儿童照片未参与生成。临时 Cloudflare 单图取图通道已在四段视频下载完成后关闭。

逐帧检查结果

解码全部 484 帧，生成每 40 帧一张的联系表，并检查首、中、尾画面。可见的动作分别为：自然呼吸和眨眼；微笑向画面右侧侧靠再回正；右手抬起掩嘴并放下；低头将裙摆布料向侧方整理后恢复。各段保留了同一人物、服装、窗户和椅子，动作结束均回到接近共同起点的坐姿。

共用首尾图不是逐像素无缝保证。把画面缩小到 90 × 160 后计算 RGB 相邻帧平均绝对差（0–255），原始待机末帧到首帧为 1.756，而普通相邻帧中位数为 0.295。十二种不同视频尾帧到另一视频首帧的差异约为 1.780–2.116。数值只用于定位接缝，不等于主观质量评分。

原始待机在结尾和开头之间使用 8 帧、约 333 ms 的正向视频重叠，做平滑权重融合；保留 113 帧，约 4.708 秒。没有倒放、补画人物动作或使用图片网格变形。再次编码后实测循环接缝差异为 1.052，原始值为 1.756，降低约 40%；同文件普通相邻帧的 95 分位为 0.679，说明接缝仍高于多数普通帧差。这个结果只说明数值上的接缝异常减弱，不保证所有人都察觉不到循环。

播放器如何工作

四段视频分别预加载两份可播放实例。自然待机循环时，用户点击脸部、上身或裙摆，选择对应动作片段；默认在旧视频和新视频之间融合 100 ms。动作完成后回到待机。再次点击同一动作也可播放；双实例避免重置仍在显示的视频。

动作中点击另一区域，记录最新请求，在当前动作回到共同姿态后衔接下一段。这样避免在抬手中途突然切回双手放下的画面，但等待时间会随动作剩余时长增加。切换融合可以关闭，直接查看原始接缝。

运行记录包含触点、选择的动作、排队和首次视频绘制时间。页面的延迟是 DOM 回调到新视频第一次 Canvas 绘制的时间，包含排队；不是视频生成速度，也不是触摸到屏幕出光延迟。

这版与附件还存在的差距

• 脸颊视频只向一个预生成方向侧靠，不会跟随任意拖动点。下一步需要多个方向动作，或者真正的连续可控视频模型。
• 长按不会把生成动作无限保持在任意帧。需要额外的进入、保持循环和退出资产，避免冻结表情或反复眨眼倒放。
• 动作中的新请求会排队，尚未生成动作之间的专用桥接视频，因此不承诺任何时刻都立即切换语义动作。
• 全部动作最终回到同一个服装和坐姿状态。持续改变人物姿态或服装状态，需要为每个状态生成自己的待机和可达动作，不能都返回最初照片。
• 本轮没有实现解衣、露内衣等动作；使用掩嘴微笑和整理裙摆验证真实肢体与布料视频。

下一轮怎样评估

先连续观察至少三个待机循环，再分别点击三个区域，接着在脸颊动作进行时点击上身，观察排队和接缝。对比 0 ms 与 100 ms 切换融合，区分素材接缝和播放器处理。重点记录人物动作自然度、首尾位置变化、背景稳定性、等待时长，以及动作是否像是在回应点击。

若真实视频质感达到预期，下一步优先增加左右脸颊与长按保持资产、按动作当前帧选择切换入口，以及动作之间的专用过渡。当前仅凭原拍屏仍不能确认原产品后台具体实现；这次实际验证的是“同图生成多段视频，再按触点调度”这条路线可运行。