La plupart des gens qui essaient Seedance 2.0 font le même constat : tapez « un homme court dans les rues, très cinématographique » et vous jouez aux dés — cinq regénérations, en espérant qu'une tienne. Pendant ce temps, certains prompts livrent un plan quasi final du premier coup. La différence n'est pas une question de chance. C'est comprendre ce que le modèle lit réellement.
Seedance 2.0 ingère ensemble votre texte, vos images, vos vidéos et votre audio, puis sépare tout en interne selon deux dimensions : une couche spatiale (ce qui est dans le cadre) et une couche temporelle (comment les choses évoluent dans le temps). Ce n'est pas un assistant de rédaction qui réagit aux mots d'ambiance — c'est un réalisateur multimodal qui attend un ordre de travail. Un bon prompt se lit comme des notes de production, pas comme un poème : qui, où, fait quoi, comment la caméra bouge, dans quel ordre.
Cet article condense ce que nous avons appris sur des centaines de générations en cinq règles et un tableau de dépannage. Lisez-le une fois et vous gaspillerez beaucoup moins de générations.
Première étape : choisir le bon verbe de tâche
Si vous générez à partir de références (images, vidéos, audio), décidez d'abord quel type de tâche vous effectuez — la structure de votre phrase indique au modèle comment interpréter tout le reste :
| Tâche | Ce que vous voulez | Formulation recommandée |
|---|---|---|
| Référence multimodale | Extraire des éléments (un sujet, un mouvement, un style, une voix) et générer une vidéo entièrement nouvelle | « En référence au sujet de <Image 1>, génère… » |
| Montage vidéo | Ajouter, retirer ou modifier des éléments dans une vidéo existante ; tout le reste reste en place | « Édite strictement <Vidéo 1> en remplaçant A par B » |
| Extension vidéo | Prolonger une vidéo existante vers l'avant ou vers l'arrière dans le temps | « Prolonge <Vidéo 1> vers l'avant en générant… » |
Voici le piège dans lequel presque tout le monde tombe : pour les tâches de montage et d'extension, écrivez « Vidéo 1 » — jamais « en référence à Vidéo 1 ». Ce seul mot en trop peut faire passer votre montage pour une tâche de référence, et vous obtiendrez une nouvelle vidéo qui ne ressemble que vaguement à l'originale.
Les trois types de tâches se combinent aussi : « En référence au travail de caméra de <Vidéo 2>, édite strictement <Vidéo 1>… »
La formule de base
Pour le texte vers vidéo ou toute tâche complexe, organisez votre prompt autour de ce squelette :
sujet précis + détail de l'action + décor + lumière et tonalité + travail de caméra + style visuel + qualité + contraintes
L'ordre a sa logique : verrouillez d'abord qui fait quoi (le protagoniste de la couche temporelle), posez ensuite où et dans quelle atmosphère (la couche spatiale), dites au modèle comment filmer, puis resserrez la sortie avec des mots de style, de qualité et de contrainte. Les cinq règles ci-dessous déplient cette formule.
Règle 1 : nommez votre casting
Une image de référence contient généralement plus d'une chose, et le modèle ne sait pas qui est « il ». Le premier geste est donc la définition du sujet :
Définis la femme de Image 1 portant une robe rouge et un chapeau de paille comme Rosa.
Trois points comptent :
- Définissez avec 2 à 3 caractéristiques statiques et stables (vêtements, coiffure, catégorie) pour que le sujet soit identifiable sans ambiguïté ;
- Une fois défini, utilisez toujours la même étiquette — n'alternez pas entre « Rosa » et « la femme » ;
- Dans les scènes simples sans définition formelle, liez le sujet à sa source à chaque mention avec
sujet@Image N— par exemple « le barista@Image 1 ».
Plusieurs personnages reçoivent des définitions et des étiquettes séparées : « Définis l'homme grand de Vidéo 1 comme le policier, et l'homme petit comme le voleur. » Dès lors, la scène de poursuite dit toujours policier et voleur, et les références ne s'emmêlent jamais.
Une technique avancée : si le visage d'un personnage compte, préparez un gros plan dédié, tête seule, et écrivez noir sur blanc la répartition des rôles — « Les traits du visage de Leo suivent Image 1 (portrait) ; sa tenue et son style suivent Image 2 (plan en pied). » C'est la défense la plus efficace contre les changements de visage en cours de vidéo.
Règle 2 : écrivez des plans, pas des ambiances
La représentation interne du modèle découple l'espace et le temps ; la forme idéale d'un prompt pour une vidéo complexe est donc une chronologie de plans : découpez la vidéo en Plan 1, Plan 2, Plan 3, décrits dans l'ordre où les événements se produisent.
Mauvais : « Un homme court nerveusement dans les rues, très cinématographique. » Le modèle ne peut que deviner.
Bon :
Plan 1 : vue latérale d'une ruelle ; l'homme part en petite course, le souffle court.
Plan 2 : il percute un étal de fruits ; la caméra fouette vers un gros plan de son visage paniqué.
Plan 3 : il franchit un muret et disparaît ; la caméra recule lentement et reste sur la rue vide.
Dans chaque plan, couvrez quatre éléments dans un ordre fixe :
- Mouvement de caméra ou transition (« plan moyen, lent travelling avant », « coupe sur… »)
- Action et expression du sujet
- Position ou changement spatial
- Audio (effets sonores, dialogue, musique)
Une réserve : n'écrivez pas de minutages exacts comme « 0–3 secondes ». La prise en charge d'un timing précis par le modèle est instable, et forcer des durées produit volontiers des artefacts. Laissez-le rythmer l'histoire naturellement.
Règle 3 : chorégraphiez, n'étiquetez pas
Le principe pour les actions : parties du corps précises + intensité quantifiée. Soyez concret sur les mains, les jambes, la tête — et ajoutez amplitude, vitesse et force : « lève lentement une main », « tourne brusquement la tête », « pousse fort sur ses appuis », plutôt qu'un vague « il bouge ».
Deux leçons durement apprises :
- Privilégiez les petits mouvements lents, doux et continus. Marcher lentement, lever légèrement la main, s'asseoir en douceur — ces actions réussissent bien plus souvent que sprinter, bondir ou culbuter violemment ;
- Écrivez les transitions entre les actions. « Porté par l'élan de son demi-tour, il lève une main » s'enchaîne bien mieux que deux actions sans lien.
Même chose pour l'émotion — n'écrivez pas d'étiquettes abstraites ; extériorisez les sentiments en détails physiques :
| Abstrait | Extériorisé |
|---|---|
| Elle est triste | Tête baissée, épaules tremblant légèrement, doigts agrippant sans y penser l'ourlet de sa veste, larmes qui montent sans couler |
| Il est nerveux | Regarde sa montre encore et encore, tambourine des doigts sur la table, respiration courte, regard fuyant |
| Elle est soulagée | Une longue expiration, les épaules tendues qui retombent enfin, un léger sourire tandis qu'elle lève les yeux vers le lointain |
Règle 4 : un seul mouvement de caméra par plan
Seedance 2.0 comprend très bien le vocabulaire standard de la cinématographie — utilisez-le tel quel : plan moyen, gros plan, plan large, lent travelling avant, travelling latéral fluide, caméra fixe, suivi caméra à l'épaule…
La seule règle d'airain : n'indiquez qu'un seul mouvement de caméra par plan. Demander à la fois avant, arrière, panoramique et travelling déstabilise visiblement l'image. Pour une chorégraphie de caméra complexe, répartissez-la sur plusieurs plans — ou mieux, donnez au modèle une vidéo de référence caméra.
Règle 5 : refermez le cadre avec des contraintes
Le dernier paragraphe de votre prompt existe pour mettre le hasard en cage. Trois groupes de mots, chacun avec sa mission :
- Qualité : haute définition, détails riches, texture cinématographique, couleurs naturelles, lumière douce ;
- Style : nommez explicitement le rendu visé — « style anime 2D », « pellicule vintage », « palette cyberpunk bleu-violet froide ». C'est crucial quand votre image de référence est photoréaliste mais que vous voulez un résultat animé ; omettez-le et la sortie dérive vers la prise de vue réelle ;
- Contraintes : gardez ce trio en service permanent — « sans sous-titres », « sans filigrane », « sans logo ». Pour les scènes à plusieurs personnages, ajoutez une ligne globale : « Tout au long de la vidéo, ne jamais montrer de personnages en double, d'apparence et de tenue identiques. »
Constituer votre kit de références : 4 à 5 éléments, chacun avec un rôle
Plus de références n'est pas mieux. Attribuez à chaque élément l'un de ces quatre rôles fonctionnels :
- Ancre de personnage : verrouille l'apparence (portrait + plan en pied, 1 à 2 images)
- Poseur de décor : verrouille l'environnement et la direction artistique (1 image)
- Référence caméra : verrouille le langage des plans et le rythme du mouvement (1 vidéo)
- Contrôle d'ambiance : verrouille l'émotion et le timbre de voix (1 extrait audio)
Quatre à cinq éléments au total, c'est le point idéal. Saturer la limite d'upload nuit activement — avec trop d'entrées, le modèle ne peut pas hiérarchiser les caractéristiques, et vous récoltez des conflits de style et des confusions de sujet. Et une règle contre-intuitive : n'utilisez jamais de planches de personnage multi-vues (face/profil/dos sur une seule image). Le modèle a tendance à lire des angles différents comme des personnes différentes, ce qui aggrave la dérive de visage et les bugs de « jumeaux ».
L'ordre compte aussi : plus un élément doit être reproduit précisément, plus tôt il doit apparaître dans votre prompt.
La ponctuation que le modèle comprend
Seedance 2.0 possède une convention de symboles pour distinguer les types d'information. L'utiliser correctement améliore la compréhension de façon mesurable :
| Type | Symbole | Exemple |
|---|---|---|
| Musique | （） | （Une musique rock au tempo rapide joue en fond） |
| Effet sonore | <> | |
| Dialogue | {} | {Bonjour, le monde} ; pour les langues autres que le chinois et l'anglais, nommez la langue : dit en japonais {こんにちは} |
| Carton / titre | 【】 | 【Chapitre un : Le départ】 |
Gardez le dialogue dans une seule langue d'un bout à l'autre — ne mélangez pas les langues en cours de script (noms propres exceptés).
Tableau de dépannage
| Symptôme | Correctif |
|---|---|
| Le visage du personnage change en cours de vidéo | Ajoutez un gros plan dédié tête seule ; écrivez « visage d'après Image 1, style d'après Image 2 » ; placez les références critiques en premier ; abandonnez les planches multi-vues |
| Des « jumeaux » identiques apparaissent dans le cadre | Liez chaque personnage à son image ; ajoutez la contrainte globale anti-doublons ; utilisez des photos d'une seule personne ; ne collez pas un script entier en guise de prompt |
| Le style dérive vers le photoréalisme | Nommez le style explicitement (« animation 3D stylisée ») ; au besoin, convertissez d'abord l'image de référence dans le style visé |
| Des sous-titres indésirables apparaissent | Ajoutez « sans sous-titres » ; retirez le texte des références ; le format paysage déclenche bien moins de sous-titres que le portrait |
| Saut visible aux raccords d'extension | Terminez chaque segment sur une coupe ; au montage, rognez ~6 images à la fin du premier clip et 1 image au début du suivant |
| La qualité se dégrade au fil des extensions enchaînées | Limitez le nombre d'extensions ; utilisez des sources HD ; astuce avancée — convertissez d'abord la source en vidéo « maquette blanche » (3D sans textures), puis prolongez |
| Plus de 4 personnages, ça devient chaotique | Regroupez d'abord les personnages en images (4 max par image), puis passez en image vers vidéo |
| L'effet spécial ne correspond pas à l'intention | Ne décrivez pas l'effet avec des mots — fournissez une vidéo de référence de l'effet |
Une décision qui mérite son propre paragraphe : quand prolonger et quand assembler ? Pour les scènes portées par le dialogue dans un lieu unique — longues conversations, montée émotionnelle — utilisez l'extension vidéo pour un effet de plan-séquence immersif. Pour les retournements d'intrigue ou l'action rapide — poursuites, combats, montage — générez les segments séparément et coupez-les ensemble pour protéger le rythme et l'impact. Les vrais projets combinent généralement les deux.
Un exemple complet : le stand de nouilles du marché de nuit
Voici toutes les règles appliquées dans un seul prompt.
Éléments : Image 1 = portrait du vendeur ; Image 2 = plan en pied du vendeur ; Image 3 = décor du stand au marché de nuit ; Audio 1 = musique de fond entraînante de marché de rue.
Définis l'homme de Image 1 et Image 2 comme Leo ; ses traits du visage suivent Image 1 (portrait), sa tenue et son style suivent Image 2 (plan en pied). Le décor suit le stand de nouilles du marché de nuit de Image 3 ; la musique de fond se mêle à Audio 1.
Plan 1 : plan moyen, caméra fixe. Leo se tient derrière le poste de wok et fait sauter les nouilles ; les flammes bondissent au rythme de ses coups de poignet rapides et maîtrisés, un voile de sueur sur le front. （Une musique entraînante de marché de rue joue en fond）
Plan 2 : la caméra avance lentement jusqu'à un plan rapproché. Leo dresse les nouilles et les tend, le coin de la bouche qui se relève, et dit à un client hors champ {Mangez pendant que c'est chaud}.
Plan 3 : la caméra recule lentement jusqu'à un plan large. L'enseigne du stand s'allume dans la nuit, la foule défile, et Leo se retourne vers le wok.
Global : haute définition, détails riches, tons chauds, texture cinématographique, lumière douce. Sans sous-titres, sans filigrane, sans logo. Un seul Leo apparaît d'un bout à l'autre ; ne jamais montrer de personnages en double d'apparence identique.
Faites le lien : verbe de tâche (référence), définition du sujet avec rôles répartis (le portrait possède le visage, le plan en pied possède le style), trois plans couvrant chacun caméra/action/espace/audio, un mouvement de caméra par plan, symboles corrects, et la clôture qualité + style + contraintes.
Image vers vidéo : deux prompts de plus, prêts à l'emploi
L'exemple du stand de nouilles montre l'approche « kit complet ». Mais l'image vers vidéo démarre en général bien plus modestement : vous avez une ou deux images et vous voulez qu'elles bougent. Les deux prompts ci-dessous — un simple, un complet — illustrent un jugement facile à manquer : tous les prompts n'ont pas besoin d'une liste de plans. Une action continue unique dans un seul lieu tient en un paragraphe ; seule une histoire à plusieurs événements traversant des espaces mérite la structure complète « mise en place + plans + contraintes ».
Exemple 1 — une seule image, micro-mouvement : donner vie à une vieille photo
Éléments : Image 1 = une vieille photo d'une femme âgée assise dans un fauteuil en rotin dans une cour.
En référence à la femme âgée de Image 1 — cheveux argentés, chemisier de coton bleu profond, assise dans un fauteuil en rotin — génère une scène d'elle dans la cour par un après-midi calme : elle regarde calmement devant elle, puis ses yeux clignent lentement, les coins de sa bouche se relèvent en un léger sourire, elle incline légèrement la tête vers la droite du cadre et, portée par ce mouvement, lève la main droite pour replacer doucement une mèche derrière son oreille ; derrière elle, du linge qui sèche et des ombres d'arbres ondulent doucement dans la brise. Plan moyen rapproché, caméra fixe. Texture de pellicule vintage, tons chauds, lumière douce ; visage stable et sans déformation, mouvements lents et continus ; sans sous-titres, sans filigrane, sans logo.
Vérifiez-le au regard des règles : le sujet est verrouillé par trois caractéristiques statiques (fauteuil en rotin, chemisier bleu profond, cheveux argentés) ; chaque action est un micro-mouvement lent et continu avec une transition écrite (l'inclinaison de tête se prolonge dans le geste vers la mèche) ; exactement une configuration de caméra du début à la fin ; et une seule phrase de clôture qui réunit qualité, stabilité et le trio de contraintes. Une demande simple devrait être aussi courte — lui imposer une liste de plans ne fait qu'offrir au modèle des occasions supplémentaires d'improviser.
Exemple 2 — storyboard multi-images : un court métrage dans une ruelle sous la pluie
Éléments : Image 1 = portrait de la femme ; Image 2 = son plan en pied en qipao ; Image 3 = une ruelle pavée trempée de pluie dans une vieille ville du Sud. Attention à l'ordre d'upload : le visage — l'élément qui doit être reproduit le plus précisément — passe en premier.
Cadre général : une ruelle pavée voilée de brume et de pluie dans une vieille ville du Sud, réalisme cinématographique. Définis la femme de Image 1 et Image 2 comme Mei : ses traits du visage suivent Image 1 (portrait), sa tenue et son style suivent Image 2 (plan en pied) ; le décor suit la ruelle pavée de Image 3, avec Image 3 comme image d'ouverture.
Plan 1 : plan large, caméra fixe. Une pluie fine tombe sur les pavés tandis que Mei entre lentement par l'embouchure de la ruelle sous un parapluie en papier huilé, le pas tranquille, l'ourlet de sa qipao ondulant doucement à chaque enjambée.
Plan 2 : la caméra avance lentement jusqu'à un plan moyen rapproché. Mei s'arrête devant une porte en bois, inclinant légèrement le parapluie en tournant la tête, son regard se posant sur le heurtoir en laiton, de minuscules gouttes de pluie accrochées à ses cils.
Plan 3 : travelling latéral fluide. Portée par l'élan de son bras qui se lève, Mei replie le parapluie d'un seul geste, se retourne et franchit le seuil ; le cadre reste sur la lumière brumeuse des lanternes au fond de la ruelle. （Une musique lente de guzheng monte en fond）
Global : haute définition, détails riches, texture cinématographique avec grain de pellicule, palette froide peu saturée, lumière étagée ; visage stable et sans déformation, mouvements lents, continus et naturels, sans coupure ni saccade ; sans sous-titres, sans filigrane, sans logo ; une seule Mei apparaît d'un bout à l'autre — ne jamais montrer de personnages en double d'apparence identique.
Ce prompt tisse ensemble les cinq règles et ajoute une technique propre à l'image vers vidéo : déclarer l'image d'ouverture. « Image 3 comme image d'ouverture » laisse la vidéo se déployer à partir de la composition de l'image de décor — ruelle vide d'abord, personnage ensuite — bien plus stable que de laisser le modèle deviner l'ouverture. Notez aussi l'écriture de l'émotion : le mot « mélancolique » n'apparaît jamais ; ce qui est écrit, c'est « regard se posant sur le heurtoir en laiton, gouttes de pluie accrochées à ses cils ».
Texte vers vidéo : écrire sans aucune image
Tous les exemples jusqu'ici s'appuyaient sur des références. Mais si vous n'avez rien — du pur texte vers vidéo ? La formule reste le squelette du début de cet article, avec une différence clé : il n'y a aucune image à laquelle se lier, donc le sujet et le style ne tiennent qu'à vos mots — densifiez les caractéristiques. Même duo : un simple, un complet.
Exemple 1 — un chat devant une supérette par une nuit de neige (assemblage en un paragraphe)
Tard dans la nuit devant une supérette, un chat à poil court roux et blanc est assis sur le seuil tandis qu'une neige fine tombe. Ses oreilles frémissent de temps en temps, secouant les flocons de leur pointe ; le bout de sa queue balaie tranquillement de gauche à droite ; chaque respiration se condense en un petit nuage blanc dans l'air froid. Derrière lui, une lumière jaune chaude se déverse à travers la porte vitrée, et les flocons descendent lentement dans le halo. Plan rapproché, caméra fixe. Haute définition, détails riches, texture cinématographique, contraste nocturne froid-chaud, lumière douce ; détail du pelage stable, mouvements lents et continus ; sans sous-titres, sans filigrane, sans logo.
Sans image de référence, « roux et blanc, poil court, assis sur le seuil » est toute l'identité de ce chat — la densité des caractéristiques détermine directement la stabilité du sujet. Et les actions restent toutes des micro-mouvements lents (frémissement d'oreilles, balayage de queue, respiration visible), ce qui compte encore plus avec des sujets animaux.
Exemple 2 — une publicité pour un café (liste de plans + texte à l'écran)
Cadre général : un café indépendant au petit matin, tons chauds cinématographiques, lumière naturelle entrant en oblique par de grandes baies vitrées.
Plan 1 : gros plan, caméra fixe. Des grains de café brun profond se déversent lentement d'en haut dans la trémie métallique d'un moulin, rebondissant en tombant, une fine poussière flottant dans le contre-jour.
Plan 2 : la caméra avance lentement. Dans une tasse en céramique blanche, un latte art s'épanouit depuis le centre en une feuille tandis que la vapeur s'élève en volutes, accrochant la lumière de la fenêtre.
Plan 3 : la caméra recule lentement jusqu'à un plan large. Le café baigné de lumière matinale est net et silencieux, le latte fumant sur le comptoir ; dans le tiers inférieur du cadre, un texte manuscrit blanc apparaît en fondu : « D'abord une gorgée, puis la journée. » （Guitare acoustique douce en fond）
Global : haute définition, détails riches, tons chauds, texture cinématographique, lumière douce ; liquide et vapeur au comportement naturel, sans déformation ; aucun texte autre que la ligne indiquée, sans filigrane, sans logo.
Celui-ci cache une règle facile à prendre à l'envers : quand vous voulez du texte à l'écran, les contraintes s'inversent. Retirez « sans sous-titres » et détaillez à la place les quatre essentiels du texte — contenu, moment, position, entrée — puis refermez avec « aucun texte autre que la ligne indiquée » comme filet de sécurité. Les slogans sont l'usage commercial le plus courant du texte vers vidéo ; cette inversion mérite d'être mémorisée.
Pour conclure
Seedance 2.0 a déplacé le goulot d'étranglement de la génération vidéo : de la capacité du modèle vers votre capacité à communiquer. Vous n'avez pas besoin de savoir tourner un film — vous devez écrire des prompts comme un réalisateur écrit ses notes de production : nommer le casting, raconter l'histoire plan par plan, chorégraphier le mouvement, un mouvement de caméra par plan, et refermer avec des contraintes.
Le reste, c'est de la pratique. Ce prompt du stand de nouilles, là-haut ? Prenez-le, ajustez-le, faites-le vôtre.