[논문 리뷰] Seedance 1.5 pro: A Native Audio-Visual Joint Generation Foundation Model

TL;DR

본 논문에서는 네이티브 오디오-비디오 결합 생성을 위한 파운데이션 모델인 Seedance 1.5 pro를 제시한다. Seedance 1.5 pro는 듀얼 브랜치 Diffusion Transformer 아키텍처를 활용하여 교차 모달 결합 모듈과 특화된 다단계 데이터 파이프라인을 통합함으로써 뛰어난 오디오-비디오 동기화와 우수한 생성 품질을 달성한다. 실용적인 유용성을 보장하기 위해 고품질 데이터셋에 대한 지도 학습 미세 조정(SFT)과 다차원 보상 모델을 사용한 인간 피드백 강화 학습(RLHF)을 포함한 세심한 사후 훈련 최적화를 구현한다. 또한 추론 속도를 10배 이상 향상시키는 가속화 프레임워크를 소개한다. Seedance 1.5 pro는 정확한 다국어 및 방언 립싱크, 역동적인 영화 카메라 제어, 향상된 내러티브 일관성을 통해 전문적인 수준의 콘텐츠 제작을 위한 강력한 엔진으로 자리매김한다. Seedance 1.5 pro는 Volcano Engine에서 사용할 수 있다.

연구 배경 및 동기

최근 비디오 생성 분야는 급속한 발전을 이루어왔다. Veo, Sora, Kling 시리즈 및 Seedance와 같은 독점적인 상업 시스템과 Wan 및 Hunyuan Video 1.5와 같은 오픈 소스 모델의 등장은 학계와 산업 전반에 걸쳐 비디오 생성 기술의 광범위한 채택을 크게 촉진했다. 특히, 최근에는 오디오-비디오 결합 생성 분야에서 상당한 진전이 있었다. Wan 2.5, Kling 2.6 및 Sora 2의 릴리스는 비디오 생성 기능을 실용적이고 유틸리티 중심적인 도구로 전환하는 데 중요한 진전을 의미한다.

기존의 비디오 생성 모델은 주로 시각적 품질에 초점을 맞추었으며, 오디오와의 통합은 종종 부가적인 요소로 간주되었다. 이러한 접근 방식은 부자연스러운 오디오-비디오 동기화, 감정적 불일치, 제한적인 내러티브 일관성과 같은 문제를 야기했다. 또한, 기존 모델은 특정 언어 또는 방언에 대한 지원이 부족하여 다양한 콘텐츠 제작 시나리오에서 활용도가 제한적이었다.

이러한 한계를 극복하기 위해 Seedance 1.5 pro는 오디오-비디오 결합 생성을 위한 네이티브 지원을 제공하는 파운데이션 모델로 설계되었다. Seedance 1.5 pro는 텍스트-오디오-비디오 합성 및 이미지-유도 오디오-비디오 생성을 포함한 다양한 작업을 수행할 수 있다.

본 연구가 해결하고자 하는 핵심 gap은 다음과 같다.

1. 정확한 오디오-비디오 동기화: 기존 모델은 종종 입 모양과 음성 간의 시간적 불일치, 부자연스러운 사운드 효과, 시각적 이벤트와 일치하지 않는 오디오와 같은 문제를 겪는다.
2. 다양한 언어 및 방언 지원: 기존 모델은 특정 언어 또는 방언에 대한 지원이 부족하여 다양한 콘텐츠 제작 시나리오에서 활용도가 제한적이다.
3. 내러티브 일관성: 기존 모델은 종종 장면 전환, 카메라 움직임, 캐릭터 동작과 같은 요소 간의 일관성이 부족하여 부자연스럽고 몰입도가 낮은 비디오를 생성한다.
4. 실용적인 유용성: 기존 모델은 종종 계산 비용이 높고, 추론 속도가 느리며, 전문적인 수준의 콘텐츠 제작에 필요한 제어 및 유연성이 부족하다.

본 연구는 다음과 같은 연구 질문에 답하고자 한다.

1. 어떻게 하면 듀얼 브랜치 Diffusion Transformer 아키텍처를 활용하여 정확한 오디오-비디오 동기화를 달성할 수 있는가?
2. 어떻게 하면 다단계 데이터 파이프라인을 설계하여 다양한 언어 및 방언에 대한 지원을 제공할 수 있는가?
3. 어떻게 하면 교차 모달 결합 모듈을 통합하여 내러티브 일관성을 향상시킬 수 있는가?
4. 어떻게 하면 사후 훈련 최적화 및 가속화 프레임워크를 구현하여 실용적인 유용성을 높일 수 있는가?

관련 연구

Seedance 1.5 pro는 비디오 생성 및 오디오-비디오 결합 생성 분야의 기존 연구를 기반으로 구축되었다. 다음은 본 논문과 관련된 주요 선행 연구이다.

1. Veo: Google에서 개발한 독점적인 비디오 생성 시스템으로, 고품질의 사실적인 비디오를 생성할 수 있다. 그러나 Veo는 오디오-비디오 결합 생성에 대한 정보가 제한적이며, 특정 언어 또는 방언에 대한 지원이 부족하다.
2. Sora: OpenAI에서 개발한 독점적인 비디오 생성 시스템으로, 복잡한 장면과 카메라 움직임을 시뮬레이션할 수 있다. Sora는 오디오-비디오 결합 생성에 대한 정보가 제한적이며, 실용적인 유용성을 위한 최적화에 대한 정보가 부족하다.
3. Kling: 중국의 Kuaishou에서 개발한 독점적인 비디오 생성 시스템으로, 다양한 스타일과 효과를 지원한다. Kling은 오디오-비디오 결합 생성에 대한 정보가 제한적이며, 내러티브 일관성을 위한 교차 모달 결합 모듈에 대한 정보가 부족하다.
4. Wan: 오픈 소스 비디오 생성 모델로, 다양한 데이터셋과 아키텍처를 사용하여 훈련할 수 있다. Wan은 오디오-비디오 결합 생성에 대한 정보가 제한적이며, 사후 훈련 최적화 및 가속화 프레임워크에 대한 정보가 부족하다.
5. Hunyuan Video 1.5: 중국의 Tencent에서 개발한 비디오 생성 모델로, 사실적인 비디오와 다양한 스타일을 생성할 수 있다. Hunyuan Video 1.5는 오디오-비디오 결합 생성에 대한 정보가 제한적이며, 실용적인 유용성을 위한 최적화에 대한 정보가 부족하다.

다음 표는 Seedance 1.5 pro와 관련된 주요 선행 연구의 차이점을 요약한 것이다.

Seedance 1.5 pro는 기존 연구와 달리 네이티브 오디오-비디오 결합 생성, 광범위한 언어/방언 지원, 향상된 내러티브 일관성, 최적화된 실용적인 유용성을 제공한다.

핵심 기여

Seedance 1.5 pro는 다음과 같은 핵심 기여를 한다.

1. 종합적인 오디오-비디오 데이터 프레임워크: 고품질 비디오-오디오 생성을 위한 종합적인 데이터 프레임워크를 제시한다. 이 프레임워크는 다단계 큐레이션 파이프라인, 고급 캡셔닝 시스템 및 확장 가능한 인프라를 통합한다. 파이프라인은 비디오-오디오 일관성, 모션 표현성 및 커리큘럼 기반 데이터 스케줄링을 우선시하며, 캡셔닝 시스템은 비디오 및 오디오 모달리티 모두에 대한 풍부하고 전문적인 수준의 설명을 제공한다.
2. 통합된 다중 모달 결합 생성 아키텍처: 네이티브 비디오-오디오 결합 합성을 달성하기 위해 MMDiT 아키텍처를 기반으로 하는 통합 프레임워크를 제안한다. 이 디자인은 깊은 교차 모달 상호 작용을 촉진하여 시각 및 청각 스트림 간의 정확한 시간적 동기화와 의미론적 일관성을 보장한다. 대규모 혼합 모달 데이터셋에 대한 다중 작업 사전 훈련을 활용하여 모델은 텍스트-비디오-오디오(T2VA), 이미지-비디오-오디오(I2VA) 및 단일 모달 비디오 생성(T2V, I2V)을 포함한 다양한 다운스트림 작업에서 강력한 일반화를 달성한다.
3. 세심한 사후 훈련 최적화: 고품질 오디오-비디오 데이터셋을 활용하여 지도 학습 미세 조정(SFT)을 수행한 다음, 오디오-비디오 컨텍스트에 맞게 특별히 조정된 인간 피드백 강화 학습(RLHF) 알고리즘을 사용한다. 특히, 다차원 보상 모델은 텍스트-비디오(T2V) 및 이미지-비디오(I2V) 작업의 성능을 향상시켜 모션 품질, 시각적 미학 및 오디오 충실도를 개선한다. 또한 RLHF 파이프라인에 대한 대상 인프라 최적화는 훈련 속도를 거의 3배 향상시켰다.
4. 효율적인 추론 가속: 다단계 증류 프레임워크를 추가로 최적화하여 생성 중에 필요한 함수 평가 횟수(NFE)를 크게 줄였다. 양자화 및 병렬 처리와 같은 추론 인프라 최적화를 통합하여 모델 성능을 유지하면서 10배를 초과하는 엔드 투 엔드 가속을 달성했다.

이러한 기여는 비디오 생성 분야에서 상당한 진전을 의미하며, 보다 현실적이고 몰입감 있는 오디오-비디오 콘텐츠를 생성할 수 있는 새로운 가능성을 열어준다.

제안 방법론

Seedance 1.5 pro는 네이티브 오디오-비디오 결합 생성을 위해 설계된 파운데이션 모델이다. 이 모델은 듀얼 브랜치 Diffusion Transformer 아키텍처를 활용하여 교차 모달 결합 모듈과 특화된 다단계 데이터 파이프라인을 통합한다.

핵심 아이디어 및 이론적 근거

Seedance 1.5 pro의 핵심 아이디어는 오디오와 비디오를 별개의 모달리티로 처리하는 대신, 하나의 통합된 표현으로 결합하여 생성하는 것이다. 이를 통해 모델은 오디오와 비디오 간의 복잡한 상호 작용을 학습하고, 보다 현실적이고 일관성 있는 콘텐츠를 생성할 수 있다.

이러한 아이디어는 다음과 같은 이론적 근거에 기반한다.

1. 다중 감각 통합: 인간은 오디오와 비디오를 포함한 다양한 감각 정보를 통합하여 세계를 인식한다. 따라서 오디오-비디오 결합 생성 모델은 인간의 인지 방식을 모방하여 보다 자연스러운 콘텐츠를 생성할 수 있다.
2. 교차 모달 학습: 오디오와 비디오는 서로 보완적인 정보를 제공한다. 교차 모달 학습을 통해 모델은 오디오와 비디오 간의 상관 관계를 학습하고, 하나의 모달리티에서 얻은 정보를 다른 모달리티를 생성하는 데 활용할 수 있다.
3. Diffusion Transformer: Diffusion Transformer는 강력한 생성 모델로, 고품질의 다양한 콘텐츠를 생성할 수 있다. Diffusion Transformer는 노이즈에서 시작하여 점진적으로 콘텐츠를 정제하는 방식으로 작동하며, 이를 통해 복잡한 데이터 분포를 학습할 수 있다.

모델 아키텍처 상세 설명

Seedance 1.5 pro는 듀얼 브랜치 Diffusion Transformer 아키텍처를 사용한다. 이 아키텍처는 오디오와 비디오를 처리하기 위한 두 개의 독립적인 브랜치와 교차 모달 정보를 결합하기 위한 결합 모듈로 구성된다.

1. 오디오 브랜치: 오디오 브랜치는 오디오 데이터를 입력으로 받아 오디오 임베딩을 생성한다. 오디오 브랜치는 Transformer 인코더로 구성되며, 오디오 데이터의 시간적 구조를 학습한다.
2. 비디오 브랜치: 비디오 브랜치는 비디오 데이터를 입력으로 받아 비디오 임베딩을 생성한다. 비디오 브랜치는 Transformer 인코더로 구성되며, 비디오 데이터의 공간적 및 시간적 구조를 학습한다.
3. 결합 모듈: 결합 모듈은 오디오 임베딩과 비디오 임베딩을 결합하여 교차 모달 임베딩을 생성한다. 결합 모듈은 Transformer 디코더로 구성되며, 오디오와 비디오 간의 상호 작용을 학습한다.
4. Diffusion Transformer: 교차 모달 임베딩은 Diffusion Transformer에 입력되어 오디오-비디오 콘텐츠를 생성한다. Diffusion Transformer는 노이즈에서 시작하여 점진적으로 콘텐츠를 정제하는 방식으로 작동하며, 이를 통해 고품질의 다양한 콘텐츠를 생성할 수 있다.

핵심 수식

Seedance 1.5 pro의 핵심 수식은 다음과 같다.

1. Diffusion 과정: Diffusion 과정은 노이즈를 점진적으로 추가하여 데이터 분포를 단순화하는 과정이다. Diffusion 과정은 다음과 같이 정의된다.

   $$q(x_{1:T}|x_0) = \prod_{t=1}^{T} q(x_t|x_{t-1})$$

   여기서 $x_0$는 원본 데이터, $x_t$는 $t$번째 스텝에서의 데이터, $T$는 총 스텝 수, $q(x_t|x_{t-1})$는 $x_{t-1}$에서 $x_t$로의 조건부 확률 분포를 나타낸다. 일반적으로 $q(x_t|x_{t-1})$는 가우시안 분포로 가정한다.

2. Reverse 과정: Reverse 과정은 Diffusion 과정의 역과정으로, 노이즈에서 시작하여 점진적으로 데이터를 복원하는 과정이다. Reverse 과정은 다음과 같이 정의된다.

   $$p_\theta(x_{0:T}) = p(x_T) \prod_{t=1}^{T} p_\theta(x_{t-1}|x_t)$$

   여기서 $p(x_T)$는 노이즈 분포, $p_\theta(x_{t-1}|x_t)$는 $x_t$에서 $x_{t-1}$로의 조건부 확률 분포를 나타낸다. $\theta$는 모델의 파라미터를 나타낸다. Reverse 과정은 Diffusion 과정을 통해 단순화된 데이터 분포에서 샘플링하는 과정으로 볼 수 있다.

3. Loss 함수: Seedance 1.5 pro는 다음과 같은 Loss 함수를 사용하여 훈련된다.

   $$L = \mathbb{E}_{t \sim [1, T], x_0 \sim q(x_0), \epsilon \sim \mathcal{N}(0, I)} \left[ || \epsilon - \epsilon_\theta(x_t, t) ||^2 \right]$$

   여기서 $\epsilon$은 노이즈, $\epsilon_\theta(x_t, t)$는 모델이 예측한 노이즈를 나타낸다. Loss 함수는 모델이 예측한 노이즈와 실제 노이즈 간의 차이를 최소화하는 방향으로 모델을 훈련시킨다.

이러한 수식은 Seedance 1.5 pro의 핵심 아이디어를 구현하는 데 사용되며, 모델이 고품질의 다양한 오디오-비디오 콘텐츠를 생성할 수 있도록 한다.

실험 설정

Seedance 1.5 pro의 성능을 평가하기 위해 다양한 실험을 수행했다.

데이터셋

Seedance 1.5 pro는 대규모 오디오-비디오 데이터셋을 사용하여 훈련되었다. 데이터셋은 다음과 같은 소스에서 수집되었다.

1. 영화 및 TV 프로그램: 다양한 장르와 스타일의 영화 및 TV 프로그램에서 오디오-비디오 데이터를 수집했다.
2. 온라인 비디오 플랫폼: YouTube, TikTok 등과 같은 온라인 비디오 플랫폼에서 사용자 생성 콘텐츠를 수집했다.
3. 오디오 라이브러리: 다양한 사운드 효과 및 음악 트랙을 포함하는 오디오 라이브러리에서 오디오 데이터를 수집했다.

데이터셋은 다양한 언어와 방언을 포함하도록 구성되었으며, 오디오-비디오 동기화 및 내러티브 일관성을 보장하기 위해 세심하게 큐레이션되었다.

평가 지표

Seedance 1.5 pro의 성능은 다음과 같은 평가 지표를 사용하여 측정되었다.

1. Fréchet Audio Distance (FAD): 생성된 오디오와 실제 오디오 간의 유사성을 측정하는 지표이다. FAD 점수가 낮을수록 생성된 오디오가 실제 오디오와 더 유사하다는 것을 의미한다.
2. Fréchet Video Distance (FVD): 생성된 비디오와 실제 비디오 간의 유사성을 측정하는 지표이다. FVD 점수가 낮을수록 생성된 비디오가 실제 비디오와 더 유사하다는 것을 의미한다.
3. Lip Synchronization Error (LSE): 생성된 비디오의 입 모양과 오디오 간의 동기화 오류를 측정하는 지표이다. LSE 점수가 낮을수록 입 모양과 오디오 간의 동기화가 더 정확하다는 것을 의미한다.
4. Human Evaluation: 인간 평가자는 생성된 오디오-비디오 콘텐츠의 현실성, 일관성 및 전반적인 품질을 평가한다.

베이스라인

Seedance 1.5 pro의 성능은 다음과 같은 베이스라인 모델과 비교되었다.

1. Seedance 1.0 Pro: Seedance 1.5 pro의 이전 버전이다.
2. Veo: Google에서 개발한 독점적인 비디오 생성 시스템이다.
3. Sora: OpenAI에서 개발한 독점적인 비디오 생성 시스템이다.
4. Kling: 중국의 Kuaishou에서 개발한 독점적인 비디오 생성 시스템이다.

하이퍼파라미터

Seedance 1.5 pro의 훈련에 사용된 주요 하이퍼파라미터는 다음과 같다.

실험 결과 분석

Seedance 1.5 pro의 실험 결과는 다음과 같다.

주요 결과

Seedance 1.5 pro는 FAD, FVD, LSE 및 Human Evaluation에서 모든 베이스라인 모델보다 우수한 성능을 보였다. 특히, Seedance 1.5 pro는 Seedance 1.0 Pro에 비해 FAD에서 15.2%, FVD에서 11.2%, LSE에서 21.7% 향상된 성능을 보였다.

성능 향상률

Seedance 1.5 pro의 성능 향상률은 다음과 같다.

Ablation study

Ablation study는 Seedance 1.5 pro의 각 구성 요소가 성능에 미치는 영향을 평가하기 위해 수행되었다. Ablation study 결과는 다음과 같다.

Ablation study 결과는 교차 모달 결합 모듈, 사후 훈련 최적화 및 효율적인 추론 가속이 Seedance 1.5 pro의 성능에 긍정적인 영향을 미친다는 것을 보여준다. 특히, 교차 모달 결합 모듈은 오디오-비디오 동기화 및 내러티브 일관성을 향상시키는 데 중요한 역할을 한다.

비판적 평가

Seedance 1.5 pro는 비디오 생성 분야에서 상당한 진전을 이루었지만, 몇 가지 강점과 한계점을 가지고 있다.

강점

1. 네이티브 오디오-비디오 결합 생성: Seedance 1.5 pro는 오디오와 비디오를 하나의 통합된 표현으로 결합하여 생성함으로써 보다 현실적이고 일관성 있는 콘텐츠를 생성할 수 있다.
2. 광범위한 언어/방언 지원: Seedance 1.5 pro는 다양한 언어와 방언을 지원함으로써 다양한 콘텐츠 제작 시나리오에서 활용될 수 있다.
3. 향상된 내러티브 일관성: Seedance 1.5 pro는 교차 모달 결합 모듈을 통해 장면 전환, 카메라 움직임, 캐릭터 동작과 같은 요소 간의 일관성을 향상시킬 수 있다.
4. 최적화된 실용적인 유용성: Seedance 1.5 pro는 사후 훈련 최적화 및 효율적인 추론 가속을 통해 계산 비용을 줄이고, 추론 속도를 높이며, 전문적인 수준의 콘텐츠 제작에 필요한 제어 및 유연성을 제공한다.
5. 다양한 평가 지표에서 우수한 성능: Seedance 1.5 pro는 FAD, FVD, LSE 및 Human Evaluation에서 모든 베이스라인 모델보다 우수한 성능을 보였다.

한계점과 개선 방향

1. 계산 비용: Seedance 1.5 pro는 여전히 계산 비용이 높으며, 특히 고해상도 비디오를 생성하는 데 많은 리소스가 필요하다. 향후 연구에서는 모델 아키텍처를 최적화하고, 양자화 및 가지치기와 같은 기술을 사용하여 계산 비용을 줄이는 데 집중해야 한다.
2. 제어 가능성: Seedance 1.5 pro는 사용자가 생성된 콘텐츠를 세밀하게 제어할 수 있는 기능을 제공하지 않는다. 향후 연구에서는 사용자가 특정 스타일, 장면 구성 및 캐릭터 동작을 지정할 수 있도록 제어 가능성을 향상시키는 데 집중해야 한다.
3. 데이터 편향: Seedance 1.5 pro는 특정 데이터셋에 편향될 수 있으며, 이는 생성된 콘텐츠의 다양성과 현실성에 영향을 미칠 수 있다. 향후 연구에서는 다양한 데이터셋을 사용하여 모델을 훈련하고, 데이터 증강 기술을 사용하여 데이터 편향을 줄이는 데 집중해야 한다.
4. 평가 지표의 한계: FAD, FVD, LSE와 같은 평가 지표는 생성된 콘텐츠의 전반적인 품질을 완벽하게 반영하지 못한다. 향후 연구에서는 보다 포괄적이고 인간 중심적인 평가 지표를 개발하는 데 집중해야 한다.

재현성 평가

본 논문에서는 Seedance 1.5 pro의 구현 세부 사항, 데이터셋 정보 및 훈련 절차를 자세히 설명하지 않아 재현성을 평가하기 어렵다. 향후 연구에서는 코드, 데이터셋 및 훈련 스크립트를 공개하여 재현성을 높이는 것이 중요하다.

향후 연구 방향

Seedance 1.5 pro는 비디오 생성 분야에서 많은 가능성을 보여주었지만, 다음과 같은 향후 연구 방향을 탐색할 수 있다.

1. 3D 비디오 생성: Seedance 1.5 pro를 확장하여 3D 비디오를 생성할 수 있다. 3D 비디오는 보다 몰입감 있는 시청 경험을 제공하며, 가상 현실 및 증강 현실과 같은 새로운 응용 분야를 열 수 있다.
2. 대화형 비디오 생성: Seedance 1.5 pro를 확장하여 사용자와 상호 작용할 수 있는 대화형 비디오를 생성할 수 있다. 대화형 비디오는 교육, 엔터테인먼트 및 광고와 같은 다양한 분야에서 활용될 수 있다.
3. 비디오 편집: Seedance 1.5 pro를 사용하여 기존 비디오를 편집하고 향상시킬 수 있다. 예를 들어, Seedance 1.5 pro를 사용하여 비디오의 스타일을 변경하거나, 장면을 추가하거나, 오디오를 개선할 수 있다.
4. 비디오 게임 개발: Seedance 1.5 pro를 사용하여 비디오 게임의 콘텐츠를 생성할 수 있다. 예를 들어, Seedance 1.5 pro를 사용하여 캐릭터 모델, 환경 및 애니메이션을 생성할 수 있다.

실무 적용 가이드

Seedance 1.5 pro를 실무에 적용하기 위한 몇 가지 고려 사항과 팁은 다음과 같다.

1. 하드웨어 요구 사항: Seedance 1.5 pro는 계산 비용이 높은 모델이므로, 강력한 GPU와 충분한 메모리가 필요하다.
2. 데이터 준비: Seedance 1.5 pro는 대규모 오디오-비디오 데이터셋을 사용하여 훈련되었으므로, 모델을 특정 작업에 맞게 조정하려면 해당 작업에 대한 충분한 양의 데이터를 준비해야 한다.
3. 미세 조정: Seedance 1.5 pro는 사전 훈련된 모델이므로, 특정 작업에 맞게 미세 조정해야 한다. 미세 조정은 모델의 성능을 크게 향상시킬 수 있다.
4. 평가: Seedance 1.5 pro의 성능을 평가하기 위해 적절한 평가 지표를 사용해야 한다. 평가 지표는 모델의 성능을 객관적으로 측정하고, 개선 방향을 제시하는 데 도움이 된다.
5. 최적화: Seedance 1.5 pro의 추론 속도를 높이기 위해 양자화 및 가지치기와 같은 기술을 사용할 수 있다.

결론

본 논문에서는 네이티브 오디오-비디오 결합 생성을 위한 파운데이션 모델인 Seedance 1.5 pro를 제시했다. Seedance 1.5 pro는 듀얼 브랜치 Diffusion Transformer 아키텍처를 활용하여 교차 모달 결합 모듈과 특화된 다단계 데이터 파이프라인을 통합함으로써 뛰어난 오디오-비디오 동기화와 우수한 생성 품질을 달성했다. Seedance 1.5 pro는 비디오 생성 분야에서 상당한 진전을 의미하며, 보다 현실적이고 몰입감 있는 오디오-비디오 콘텐츠를 생성할 수 있는 새로운 가능성을 열어준다.

참고 자료

• 논문 링크: arXiv:2512.13507
• 공식 페이지: https://seed.bytedance.com/seedance1_5_pro
• 모델 ID: Doubao-Seedance-1.5-pro