Seedance 2.5 vs 2.0: o upgrade está nas entradas, não nos pixels, e a fatura que triplica

Operamos um serviço de geração de vídeo com vários modelos, o que significa que pagamos do próprio bolso a fatura de cada geração de cada modelo que colocamos no ar. Antes de colocar o Seedance 2.5 no catálogo ao lado do Seedance 2.0, passamos os dois pela mesma bancada de medição que usa para decidir roteamento. Este artigo é essa leva de dados, publicada exatamente como foi medida.

Tudo o que vem abaixo saiu de execuções diretas na API entre 2026-08-08 e 2026-08-10, faturadas na nossa própria conta. Quando temos apenas uma execução, dizemos isso. Quando um número nos surpreendeu, refizemos antes de acreditar nele.

TL;DR

• Na mesma duração e na rota mais barata que medimos para cada um, o Seedance 2.5 custa por clipe cerca de 1.7 vez o Seedance 2.0.
• O upgrade de manchete não é qualidade por segundo, é liberdade de entrada: o 2.5 aceita até 30 imagens de referência, 10 vídeos de referência e 10 faixas de áudio de referência, e estica a saída para 30 segundos. O 2.0 para no controle do primeiro e do último frame.
• Vídeo de referência é faturado como vídeo de saída, segundo a segundo. Anexe um clipe de 12.6 s a uma geração de 5 s e você paga 17.6 segundos faturados. Confirmamos o mecanismo, não só o preço: duas execuções com o mesmo clipe de referência em durações de saída diferentes, mais o fornecedor declarando por conta própria billing_rule: "per_second" na resposta de criação.
• Se a sua carga é texto para vídeo simples de 5 s, o 2.0 continua sendo o padrão racional. O 2.5 passa a valer o prêmio no instante em que um segundo material de entrada entra no briefing.

O que mudou de fato

As entradas de referência são endereçáveis por ordem: o prompt fala em "imagem 3" ou "vídeo 1" e o modelo resolve isso contra a ordem em que você enviou. Ou seja, a ordem dos materiais vira parte do prompt, o que tem consequências de produto se você construir em cima (nós tivemos que redesenhar a tela de upload em torno disso).

Medido: custo por execução

Mesmo prompt, 5 segundos, 480p, um clipe por execução. Os preços são o que foi realmente cobrado da nossa conta, em USD, em 2026-08-08.

Duas coisas merecem atenção.

Primeiro, as duas rotas do 2.5 discordam sobre qual modo é o barato. A rota A é 29% mais barata em texto para vídeo puro, mas 48% mais cara assim que um vídeo de referência é anexado. Se você mandar todo o tráfego do Seedance 2.5 por um fornecedor porque ele venceu a comparação de texto para vídeo, paga a mais em todo trabalho com vídeo de referência. Acabamos roteando por modo, não por modelo.

Segundo, a execução com vídeo de referência custa de 2.2 a 3.2 vezes a execução simples. Não é uma taxa extra, é aritmética, e isso nos leva à parte que não encontramos documentada em lugar nenhum.

O mecanismo de faturamento do vídeo de referência, fixado em duas execuções

A página de preços do modo com vídeo de referência diz "por segundo" sem especificar quais segundos. Só a saída? Saída mais entrada? Uma sobretaxa fixa? A diferença decide se um serviço como o nosso cobra metade do que deveria, então medimos.

Método: mesmo clipe de referência de 12.67 s, mesmo prompt, mesma resolução, duas execuções, duração de saída de 5 s e depois de 10 s. Leitura do saldo da conta imediatamente antes e depois de cada chamada de criação.

A tarifa por segundo bate entre as duas execuções com margem de 0.04%, mas só se você contar os segundos faturados como saída mais entrada de referência. A resposta de criação do fornecedor ainda declara isso sozinha, o que não esperávamos:

"usage": { "billing_rule": "per_second", "credits_reserved": 277.7302 }

Derivando a tarifa do segundo de referência de forma independente, chega-se a 1.0024 vez a tarifa do segundo de saída. Segundo de referência e segundo de saída custam o mesmo.

Tem mais uma dobra: a tarifa por segundo muda conforme o modo. No mesmo fornecedor, texto para vídeo puro sai a $0.1374 por segundo de saída, enquanto o modo com vídeo de referência sai a $0.0842 por segundo faturado. O modo de referência é uma tarifa com desconto aplicada a uma contagem maior de segundos.

Consequência prática: uma geração de 5 s com um clipe de referência de 12.6 s fatura 17.6 segundos. Se você cobra do usuário só pela duração de saída, come 54% de cobrança a menos nesse trabalho. Reconstruímos nossa precificação para faturar os segundos de entrada no servidor (medidos com ffmpeg, nunca aceitos do cliente) antes de liberar o modo.

O que a geração com várias referências produz de verdade: três exemplos

Números descrevem custo. Não mostram se o modelo segue um plano de filmagem. Geramos três clipes de amostra pela cadeia de referência e publicamos aqui as entradas, os prompts completos (na página de cada modelo) e as saídas cruas, para você conferir a nossa leitura contra a sua.

Execução 1: um plano-sequência de 30 segundos a partir de quatro fotos de produto

Entraram quatro imagens de referência: vista frontal, detalhe lateral, estojo de carga e um expositor vazio. Este clipe é uma refilmagem, e a primeira tentativa fracassada ensinou mais do que a bem-sucedida: o primeiro prompt roteirizava quatro batidas com marcação de tempo ("aos 6 segundos a tampa abre") e o modelo respondeu com sete segundos mortos de abertura, uma tampa que se deformava em vez de girar na dobradiça e um produto que não segurava a própria forma. A revisão frame a frame reprovou. O prompt revisado cortou quatro batidas para três movimentos que compartilham um único movimento de câmera contínuo, e acrescentou restrições duras contra mudanças de forma.

Frame a frame na refilmagem (2026-08-19): a tampa sobe na dobradiça real enquanto o estojo fica parado, o fone mantém uma forma consistente da subida até o último frame, e a órbita, a elevação e o recuo se leem como um plano só, sem tempo morto e sem cortes. A lição transferível da primeira tentativa fracassada: listas de batidas com marcação de tempo convidam a mudanças bruscas de estado; menos movimentos compartilhando um único movimento de câmera contínuo, mais restrições explícitas contra deformação, foi isso que segurou um plano-sequência de 30 segundos.

Execução 2: um personagem montado a partir de quatro fontes

Entradas: uma folha de personagem de corpo inteiro, um close do rosto, uma foto chapada da jaqueta e uma locação de templo vazia. A saída tinha que manter as quatro coerentes em movimento.

O que se manteve entre os frames na nossa revisão desta execução: a trança, as sardas, as fivelas e as costuras da jaqueta e os feixes de luz do arco vindos da placa de locação. A batida roteirizada de olhar para cima cai perto da marca dos 5 s. É uma execução, não um benchmark de consistência; está publicada como prova do que uma única passada consegue segurar.

Execução 3: movimento de câmera transferido de um vídeo de referência

O conjunto de referência aqui foi um vídeo (um arco simples de 180 graus em torno de um cubo cinza, 8.2 s, faturado como segundos de entrada de referência conforme o mecanismo acima) mais um still de bule. A instrução: copie o movimento, troque o objeto, não mexa em mais nada.

A saída mantém um arco de altura constante em torno do bule em ritmo próximo ao da referência, e o único movimento acrescentado é o vapor que o prompt pediu. O arco se lê como aproximadamente os 180 graus roteirizados. Transferência de movimento com troca de objeto funcionou de primeira nesta execução.

Medido: latência

Três execuções para cada texto para vídeo, uma única para cada imagem para vídeo, tempo real da criação até a saída concluída, 2026-08-08.

A dispersão importa mais que a mediana. A execução mais rápida do 2.5 bateu tudo o que já medimos na família Seedance, e a mais lenta levou o triplo disso. Se você mostra uma previsão de tempo aos usuários, orce a dispersão, não o caso ideal. A execução de imagem para vídeo de 317 segundos na rota A se repetiu de forma consistente nas verificações, então roteamos imagem para vídeo por outro caminho.

Onde o 2.0 continua sendo a escolha certa

Uma comparação honesta precisa desta seção.

• Texto para vídeo simples de 5 s: o 2.0 entrega a 60% do menor preço medido do 2.5. Se o briefing não tem material de referência, o prêmio não compra nada.
• Morphs entre primeiro e último frame: o contrato posicional de duas imagens do 2.0 está maduro e sobreviveu aos nossos testes de fumaça em produção desde junho. O 2.5 consegue expressar a mesma coisa pela lista de referências, mas é um caminho mais novo, com menos quilometragem.
• Latência previsível: as duas execuções medidas do 2.0 ficaram a segundos uma da outra. A dispersão do 2.5 é de 2 a 3 vezes.

Limites, para você pesar isso direito

• As amostras são pequenas: três execuções por rota em texto para vídeo, uma por rota em imagem para vídeo, duas no experimento de faturamento. São dados de decisão de roteamento, não um paper de benchmark.
• Todos os números de custo do 2.5 foram medidos a 480p e entre 5 e 10 segundos. Não medimos o teto de 30 segundos.
• Os preços são o que rotas de API agregadas cobraram da nossa conta nas datas informadas. Preços corporativos diretos podem diferir. Fornecedores mudam preço sem aviso.
• Não rodamos uma comparação controlada de qualidade visual. Este artigo cobre custo, latência e mecânica de faturamento, que é o que dá para medir sem júri.

Método

Todas as execuções passam pela mesma bancada que usamos para decidir roteamento: chamadas HTTP diretas à API de tarefas de cada fornecedor, sem camada de SDK, com os envelopes de resposta gravados crus no log. Custos são calculados pelas diferenças de saldo lidas imediatamente antes e depois de cada chamada de criação, não por tabela de preços. Latência é o tempo real entre a criação da tarefa e o primeiro poll que devolve uma saída concluída. O experimento de faturamento do vídeo de referência está descrito acima.

Os dois modelos estão no ar na Vidney: Seedance 2.5 e Seedance 2.0. Roteamos cada modo para o fornecedor que mediu melhor naquele modo, que é a razão inteira de estes dados existirem.