Seedance 2.5 能传 50 个参考素材，为什么你最好别传满

Seedance 2.5 最抢眼的数字是 50——单次生成 50 个参考素材，30 张图 + 10 段视频 + 10 段音频。

我第一反应是：那就传满。素材越多，控制力越强，对吧？

错了，而且是字节自己在手册里说的。2.3 节有一条几乎没人引用的建议：主体素材建议不超过 5 个。

不是 50，是 5。

一、先分清三件事，否则提示词全白写

手册里字节主动承认：参考、编辑、延长这三类能力「常被混用，导致 Prompt 错位、素材引用方式失当，最终影响生成结果的可控性与稳定性」。

官方主动提示的坑，说明它真的很常见。

三者的判断标准其实只有一个问题：你手上有没有成片？

参考生成：八种子能力

没有成片时用这类。手册列了八种：

视频编辑：五种子能力

已有成片、只改局部时用这类：

视频延长：三种子能力

选错的代价：你想改一段成片里的服装，却按「参考生成」的写法写提示词——模型会理解成"参考这段视频重新做一条"，结果整个画面都变了。素材没白传，但方向完全错了。

二、编辑写法三步，缺一步就翻车

手册给了一个非常简洁的框架：

第三步是最容易漏、也是最要命的。少了它，模型会"顺手"把别的地方也改了。

看一个正例。这条同时换了场景和两个人的服装，但动作一帧没变：

将两人武打素版视频 @视频1 替换为冷兵器对决前的空手试探风。
场景替换为中世纪石堡平台、古老庭院平地、山间堡垒外平台或简洁石砖决斗场，
背景为古堡墙体、风、雾、远处山线，地面平整石质 @图片1。
视频中深色衣服的男子的服饰替换为 @图片2，视频中浅色衣服的男子替换为 @图片3。
动作仍然保持不变，不改变原始节奏。

这条里藏着一个细节值得学：它用衣服颜色来区分两个人（「深色衣服的男子」「浅色衣服的男子」），而不是「左边那个」。镜头一动，左右就变了，颜色不会变。

锁定要点名，别只说「其余不变」

「其余保持不变」有效，但点名更可靠。手册里那条家居装修的提示词，逐项点名了 14 样不能动的东西：

Everything else must remain unchanged: the window, curtains, walls, wall art,
TV, TV console, plants, rug, coffee table, books, radiator, shelves, doorframe,
lighting, shadows, camera motion, and overall warm interior atmosphere.

局部编辑最怕的就是模型"帮你"改了别的。写得越具体，它越不敢动。

三、素材配比：官方给的数字

现在回到开头那个反直觉的结论。

主体素材的数量上限

单段时长的最佳区间

视频和音频，单段建议 5–10 秒。

手册给的理由很直白：

• 过短（如 2 秒）——信息量不足、特征不完整，难以被稳定识别与参考
• 过长（如 30 秒）——关键特征被稀释、噪声增多

也就是说，你传一段 30 秒的参考视频，模型未必比传 8 秒的效果好，反而可能更差。

素材超载时的取舍优先级

砍素材时从右往左砍。风格最容易用文字描述补回来，核心角色最不能省。

多主体的图片怎么传

还有一条容易忽略的细节：

• 主体图 ≤ 5 张时，「单视图」「多视图」都可以
• 超过 5 个主体时，「单视图」效果更稳定——如果需要多视角，拆分成多张不同视图分别输入，而不是把多个视角拼在一张图里

什么算「主体」

手册专门解释了这个概念，因为它直接决定你该数几个：

举例：

• 单主体——口播视频里，出镜的模特就是唯一主体。一般传模特的多视图（5 张内）即可
• 多主体——「一个人在森林里拉弓射中一只兔子」，主人公、弓箭、兔子各算一个主体，都需要稳定还原

所以"我只传了 3 张图"不等于"只有 3 个主体"。数的是元素，不是文件数。

四、七种模态组合，别忘了新增的那个

2.5 支持 7 种参考组合：

单模态：只参考图片 · 只参考视频 · 【新增】只参考音频 双模态：图片 + 视频 · 音频 + 视频 · 图片 + 音频 三模态：音频 + 图片 + 视频

「只参考音频」是这一代新加的。可以直接用一段 BGM、人声或音效来驱动画面节奏、卡点与口型对齐。

三模态同时参考时，还支持指定其中某张参考图用作首帧或尾帧。

用 @ 引用素材时的铁律

每引用一个素材，就紧跟一句使用声明。

有多个人物或多段视频时，必须写明对应关系，否则模型会混淆。避免「参考 @图片1」这种无头无尾的写法——它没告诉模型这张图提供的是脸、是衣服、还是背景。

正确的写法长这样：

@图片1用于陶艺师的五官、发型和深绿色围裙，不采用图片背景。
@图片2用于陶艺工作室的木质工作台、窗户位置和晨间光线，不采用图中人物。
@视频1用于双手拉坯、托起陶杯和放置陶杯的动作节奏，不采用视频中的人物身份、服装和场景。

注意每句后面的「不采用」。素材里那些容易被误带入的东西，要主动排除掉。

同一物体的多个视角

如果几张图是同一件东西的不同角度，必须说清楚，否则模型可能生成好几个：

@图片1定义同一盏折叠台灯的正面外观。
@图片2定义同一盏折叠台灯的左侧结构。
@图片3定义同一盏折叠台灯的右侧结构。
@图片4定义同一盏折叠台灯的背面结构。
四张图片共同定义同一盏折叠台灯，成片中始终只有一盏折叠台灯。

最后那句总结是关键。

五、三条会让你返工的隐藏规则

手册里明确写了：使用视频编辑 / 延长、首尾帧能力时，模型会依据参考素材自动锁定部分生成参数，不支持自定义。

具体是这三条：

1. 编辑和延长的画面比例，严格对齐原片，改不了。

你上传一条竖屏原片，就别指望输出横屏。这个在做多平台分发时特别容易踩——想着"一条片子改改比例就能同时投抖音和 YouTube"，实际做不到。

2. 编辑后的时长只是"基本对齐"原片。

手册原话：「由于模型对输入的处理机制，时长可能出现轻微差异」。视频主体内容会保持完整不变，但如果你的交付要求卡死在 15.0 秒，必须留一个检查环节。

延长片段的时长倒是可以自定义，用提示词明确指定即可。

3. 首尾帧画幅不一致会被拉伸变形。

用两张图做首帧和尾帧时：

• 输出画幅对齐首帧
• 尾帧如果画幅不同，会被强行拉伸对齐

所以首尾帧一定要用同样的画幅，否则尾部画面会变形。

The Bottom Line

1. 先判断「手上有没有成片」，再决定用哪类能力。 没有就用参考生成，有就用编辑或延长。这一步选错，后面写得再细也是白费。
2. 50 是上限不是目标。 主体素材音视频 ≤ 5 个、图片 ≤ 8 个，单段 5–10 秒。素材过多会稀释关键特征，效果反而变差。
3. 编辑类提示词的重点是锁定。 先说清什么不能变——而且点名比笼统说「其余不变」可靠得多——再说改什么。

素材配比这件事，没有放之四海的标准答案，但官方给的这几个数字是大量评测跑出来的起点。从 5 个主体、每段 8 秒开始试，比一上来就传满 50 个高效得多。

想直接看这些规则怎么落到具体提示词里？51 条官方提示词里每条都标了它为什么这么写。或者先看完全指南了解 2.5 的整体变化。