ByteDancen Seedream 5.0 Pro joutui käytännön testiin – komeiden kuvien alta paljastui yllättäviä ongelmia

Seedream 5.0 Pro lupaa tarkkaa kuvien muokkaamista, kerroksia ja ammattitasoisia kuvia. Theoretically Media -kanavan käytännön testissä mallin vahvuuksiksi nousivat elokuvalliset ympäristöt, mutta kasvojen yksityiskohdat ja Dreaminan kerrostyökalut tuottivat pettymyksen. Samalla video esittelee lupaavia Seedance 2.5 -näytteitä, reaaliajassa syntyviä virtuaalimaailmoja ja entistä luonnollisempia tekoälyhahmoja.

Generatiivisen tekoälyn kuvamallit kehittyvät nopeasti, mutta näyttävät esittelykuvat eivät aina kerro, kuinka käyttökelpoinen uusi työkalu on todellisessa tuotannossa.

Theoretically Media -kanavan Tim testaa tuoreella videollaan ByteDancen Seedream 5.0 Pro -kuvamallia useilla tutuilla hahmoilla ja ympäristöillä. Samalla hän tarkastelee Seedance 2.5 -videomallista vuotaneita esimerkkejä, LingBot-World 2.0 -maailmamallia sekä Anamin uusia Cara 4 -tekoälyhahmoja.

Seedream 5.0 Pro osoittautuu testissä kiinnostavaksi mutta keskeneräiseksi kokonaisuudeksi. Se pystyy tuottamaan näyttäviä kaupunkeja, tieteiselokuvamaisia ympäristöjä ja tunnistettavia elokuvallisia tyylejä, mutta pienet kasvot, monimutkaiset asennot ja kerroksiin perustuva muokkaaminen paljastavat edelleen selviä heikkouksia.

Seedream 5.0 Pro lupaa aiempaa hallittavampia kuvia

ByteDancen uusi Seedream 5.0 Pro kuuluu kuvamalleihin, joiden tarkoituksena ei ole ainoastaan luoda kauniita kuvia yhdellä tekstikomennolla. Mallia markkinoidaan myös työkaluna, jolla kuvan yksittäisiä osia voidaan muokata tarkasti.

Dreaminan mukaan käyttäjä voi valita muokattavan alueen esimerkiksi lassolla, pisteellä tai luonnoksella. Mallin pitäisi pystyä vaihtamaan kohteita, värejä ja yksityiskohtia muuttamatta muuta sommittelua tarpeettomasti.

Merkittävimpiin lupauksiin kuuluu kerrosten erottelu. Kuvan hahmot, tausta, tekstit ja tehosteet voidaan ainakin teoriassa jakaa toisistaan riippumattomiksi osiksi, joita voi siirtää tai korvata.

Malli tukee myös kuvien sisään tuotettavaa tekstiä useilla kielillä sekä infografiikoiden ja muiden paljon tietoa sisältävien visualisointien luomista.

Videolla kerrotaan lisäksi mahdollisuudesta käyttää jopa kymmentä referenssikuvaa. Niillä mallille voidaan näyttää esimerkiksi haluttu henkilö, vaatetus, esine ja kuvausympäristö.

Ensimmäinen kuva näyttää hyvältä ennen lähentämistä

Ensimmäisessä testissä Seedream 5.0 Prolle annetaan yksinkertainen tehtävä: siniseen pukuun pukeutunut mies kävelee vilkkaalla kaupunkikadulla.

Kokonaisuus näyttää ensisilmäyksellä varsin onnistuneelta. Kaupungin rakennukset, liikenne, kadun syvyys ja valaistus muodostavat uskottavan ympäristön. Kuva ei myöskään vaikuta yhtä geneeriseltä kuin vastaavalla peruskomennolla syntyvät tekoälykuvat usein näyttävät.

Ongelmat alkavat, kun kuvaa tarkastellaan lähempää. Taustalla näkyvien ihmisten kasvot muuttuvat epämääräisiksi ja sulaneen näköisiksi. Myös päähenkilön kasvoissa on merkkejä siitä, ettei malli säilytä pieniä yksityiskohtia luotettavasti.

Uusi yritys ei ratkaise ongelmaa. Malli sijoittaa useita ihmisiä selin kameraan, mikä vähentää käsiteltävien kasvojen määrää, mutta näkyviin jääneiden henkilöiden kasvot vääristyvät jälleen lähikuvassa.

Videolla huomataan myös tunnettujen yritysten nimiä muistuttavia kylttejä. Tämä osoittaa, että malli voi tuottaa tunnistettavia brändiviittauksia myös silloin, kun käyttäjä ei niitä erikseen pyydä.

Ympäristöt ovat mallin selvä vahvuus

Seedream 5.0 Pro menestyy paremmin yksityiskohtaisessa sisätilatestissä. Pitkässä tekstikomennossa määritellään muun muassa siniset seinät, punainen matto, valkoiset punotut kalusteet ja vanha tietokone.

Malli poimii mukaan suuren osan pyydetyistä yksityiskohdista ja kokoaa niistä yhtenäisen tilan. Tulos osoittaa, että Seedream pystyy tulkitsemaan moniosaisia ympäristökuvauksia varsin tarkasti.

Sama vahvuus näkyy myöhemmissä tieteis-, kauhu- ja cyberpunk-kuvissa. Malli ymmärtää esimerkiksi 1980-luvun tieteiskauhun, italialaisen giallo-elokuvan ja neonvaloja hyödyntävän aasialaisen kaupunkielokuvan visuaalista kieltä.

Videon perusteella Seedreamin parhaat tulokset syntyvätkin silloin, kun ympäristö, valaistus ja tunnelma ovat kuvaa hallitsevia elementtejä.

Elokuvan ensimmäiseksi kuvaksi tai videomallille annettavaksi lähtöruuduksi tällaiset tulokset voivat olla erittäin käyttökelpoisia.

Kaksi referenssikuvaa yhdistyivät onnistuneesti

Referenssikuvien testaamista varten mallille annetaan kuva tietystä ympäristöstä ja toisesta aineistosta poimitut kaksi naamioitua hahmoa.

Tehtävänä on sijoittaa henkilöt annettuun ympäristöön. Tuloksessa hahmot säilyttävät tärkeimmät piirteensä ja sulautuvat kohtaukseen varsin luontevasti.

Kuva tuo videon tekijän mieleen tilanteen, jossa Quentin Tarantino olisi ohjannut Blade Runner 2049 -elokuvan.

Testi ei käytä kaikkia mallin väitetysti tukemia kymmentä referenssikuvaa, joten sen perusteella ei vielä tiedetä, kuinka hyvin Seedream pystyy hallitsemaan suurta määrää keskenään erilaisia lähteitä.

Kahden kuvan yhdistäminen onnistuu kuitenkin paremmin kuin monet myöhemmät hahmotestit.

Monimutkainen esine hajottaa ihmisen anatomian

Seuraavassa testissä käytetään kanavan toistuvaa liekinheitintä kantavaa naishahmoa. Tarkoituksena on sijoittaa sama hahmo viidakkoympäristöön hänen tunnistettavassa asussaan.

Osa kuvista on hyväksyttäviä, mutta hahmon kasvonpiirteet alkavat erkaantua referenssistä. Muissa kuvissa kädet, vartalo ja liekinheitin liittyvät toisiinsa anatomisesti mahdottomilla tavoilla.

Yhdessä tuloksessa laite näyttää kiinnittyvän kivuliaalla tavalla hahmon vartaloon. Toisessa liekinheittimestä muodostuu olkapäälle asennettu ase, jota käyttäjä ei pyytänyt.

Tekstikomennon tarkentamisen jälkeen malli tuottaa teknisesti siistimpiä kuvia. Valaistus vastaa ympäristöä, hahmon kädet näyttävät pääosin oikeilta ja vaatetuksen sekä tatuointien yksityiskohtia säilyy mukana.

Kuvat jäävät silti videon tekijän mielestä persoonattomiksi. Ne täyttävät komennon vaatimukset, mutta eivät tarjoa erityisen kiinnostavaa sommittelua tai toimintaa.

Keskikokoiset lähikuvat toimivat paremmin

Seedream 5.0 Pro vaikuttaa olevan vahvimmillaan kuvissa, joissa yksi hahmo näkyy suunnilleen vyötäröstä ylöspäin.

Tällaisessa rajauksessa mallilla on riittävästi tilaa kuvata kasvoja ja vaatetusta, mutta sen ei tarvitse ratkaista koko kehon asentoa, monimutkaista perspektiiviä ja lukuisia pieniä ihmishahmoja samanaikaisesti.

Erityisen onnistuneilta näyttävät tieteiskauhua muistuttavat kuvat. Malli tuottaa vahvaa sivuvaloa, savua, metallipintoja ja levottoman tunnelman, joka muistuttaa Ridley Scottin varhaisia elokuvia.

Näitä kuvia voisi käyttää Seedance-videomallin lähtökuvina. Hyvin rakennettu ensimmäinen ruutu auttaa videomallia säilyttämään hahmon ja ympäristön visuaalisen suunnan liikkeen aikana.

Lupaava kerroseditori osoittautui pettymykseksi

Seedream 5.0 Pron kiinnostavin lupaus liittyy kuvien käsittelyyn erillisinä kerroksina. Markkinointimateriaalien perusteella käyttäjä voisi kuvitella, että valmis kuva jakautuisi yhdellä komennolla automaattisesti esimerkiksi henkilöön, taustaan, esineisiin ja valotehosteisiin.

Theoretically Median testissä toiminta ei kuitenkaan vastaa tätä mielikuvaa.

Dreaminan editorissa kerroksia voidaan lisätä ja järjestää, mutta suuri osa työstä perustuu käsin tehtäviin valintoihin ja sivellintyökaluihin. Valmiin kuvan kaikki osat eivät avaudu automaattisesti loogisiksi kerroksiksi.

Työkalujen sijainti ja toiminta tuntuvat lisäksi epäselviltä. Taustan poistamisen esikatselu näyttää videolla nurinkuriselta, sillä läpinäkyvyyttä kuvaava ruudukko ilmestyy ensin etualan kohteen päälle.

Varsinainen taustan poisto onnistuu lopulta kohtuullisen hyvin, mutta käyttöliittymä ei anna käyttäjälle selvää käsitystä siitä, mitä komento on tekemässä.

Uusi kohde ei ymmärrä ympäristöään

Videolla kaupunkikuvaan yritetään lisätä lentävä cyberpunk-taksi uutena kerroksena.

Luotu ajoneuvo ei kuitenkaan ota kunnolla huomioon alkuperäisen kuvan perspektiiviä, valaistusta tai tyyliä. Se näyttää erilliseltä kuvalta, joka on asetettu taustan päälle.

Seuraavaksi ympäristöön lisätään toisesta kuvasta irrotettu naishahmo. Tarkoituksena on käyttää kuva-kuvaksi-toimintoa ja pyytää mallia sovittamaan hahmon valaistus sekä värimaailma ympäristöön.

Generointi epäonnistuu toistuvasti. Palvelu palauttaa käytetyt krediitit, mutta lopullista yhdistettyä kuvaa ei synny.

Ongelma on olennainen, sillä juuri automaattinen valaistuksen, varjojen ja perspektiivin yhtenäistäminen tekisi kerroseditorista merkittävän vaihtoehdon perinteisille kuvankäsittelyohjelmille.

Seedream 5.0 Pro on kiinnostava mutta vielä keskeneräinen

Videon kokonaisarvio Seedream 5.0 Prosta on ristiriitainen.

Parhaimmillaan malli luo vaikuttavia elokuvallisia ympäristöjä, tulkitsee pitkiä kuvauksia ja ymmärtää hyvin erilaisia visuaalisia lajityyppejä.

Heikkoudet näkyvät erityisesti pienissä kasvoissa, koko vartalon asennoissa, monimutkaisten esineiden käsittelyssä ja referenssihahmon tarkassa säilyttämisessä.

Myös kerroksiin perustuva editori vaikuttaa selvästi keskeneräisemmältä kuin markkinointi antaa ymmärtää.

Jos ByteDance saa muokkaustyökalut toimimaan vakaasti ja antaa uuden mallin hoitaa kerrosten yhteensovittamisen, Dreaminasta voi kehittyä varteenotettava kilpailija esimerkiksi GPT Image- ja Nano Banana -työkaluille.

Videolla annettu tämänhetkinen tuomio on silti selvä: kokonaisuus on lupaava, mutta käytännössä vielä sekava.

Seedance 2.5:n julkaisua odotetaan edelleen

Videon toinen merkittävä aihe on ByteDancen tuleva Seedance 2.5 -videomalli.

Theoretically Median mukaan mallin julkaisun arvioitiin siirtyneen ainakin heinäkuun 20. päivään 2026. ByteDance ei ollut videon julkaisuhetkellä vahvistanut lopullista julkaisupäivää.

Odotuksen aikana verkkoon oli ilmestynyt uusia näytevideoita, joissa painotetaan pitkää yhtenäistä otosta, kameran liikettä, näyttelijöiden ilmeitä ja automaattisesti tuotettua puhetta.

Esimerkeissä nähdään muun muassa tunteikas kohtaaminen rautatieasemalla, kiireinen ravintolakeittiö ja vuoren huipulla kuvattu keskustelu.

Vuotaneet videot näyttävät jo lyhyiltä elokuvakohtauksilta

Rautatieasemalle sijoittuvassa noin 30 sekunnin kohtauksessa kamera seuraa hahmojen kohtaamista ja tunnetila kehittyy yhden yhtenäisen otoksen aikana.

Videon tekijä pitää kameran liikettä ja kohtausta kokonaisuutena onnistuneina. Kuvassa näkyy silti hieman liian sulavalta ja nopealta tuntuvaa liikettä, joka saattaa johtua ruudunpäivityksen jälkikäsittelystä.

Ravintolakohtaus muistuttaa tunnelmaltaan The Bear -sarjaa. Kamera liikkuu keittiössä, kokit huutavat tilauksia ja ruoka valmistuu kiireen keskellä.

Kohtaus osoittaa, että videomalli pystyy jo yhdistämään kameratyötä, henkilöhahmojen liikkeitä, esineitä ja puhetta huomattavasti aiempaa eheämmäksi kokonaisuudeksi.

Kaikki ei silti ole täydellistä. Yhden kokin kulmakarva näyttää hetkittäin vääristyvän, ja toisissa näytteissä näkyy pieniä muodonmuutoksia sekä fysiikan virheitä.

Hyvä tarina voi peittää pienet tekoälyvirheet

Videolla esitellään myös Seedance 2.0:lla tehty lyhytelokuva, joka käsittelee Michael Owenin kuuluisaa maalia Argentiinaa vastaan jalkapallon vuoden 1998 MM-kisoissa.

Lyhytelokuvassa näkyy tarkasti katsottuna pieniä kuvallisia virheitä, hahmojen muodonmuutoksia ja epäuskottavaa fysiikkaa.

Kokonaisuus toimii silti, koska katsojan huomio kiinnittyy tarinaan ja tunnelmaan.

Tämä voi muodostua tekoälyelokuvien kannalta ratkaisevaksi havainnoksi. Jokaisen ruudun ei tarvitse olla teknisesti virheetön, jos kohtaus onnistuu herättämään tunteen ja kuljettamaan tarinaa eteenpäin.

Samalla tunnettuja urheilijoita ja todellisia tapahtumia jäljittelevät tekoälyelokuvat nostavat esiin kysymyksiä henkilöiden ulkonäön, äänen ja esitysten käyttöoikeuksista.

LingBot-World 2.0 luo ohjattavan maailman reaaliajassa

Videon seuraava aihe siirtyy valmiista kuvista ja elokuvista reaaliajassa syntyviin virtuaalimaailmoihin.

LingBot-World 2.0 eli LingBot-World-Infinity on avoin maailmamalli, joka tuottaa käyttäjän ympärille liikkuvaa videokuvaa tämän ohjauksen perusteella.

Virallisen tutkimuskuvauksen mukaan järjestelmän reaaliaikainen versio pystyy tuottamaan 720p-videota 60 kuvan sekuntinopeudella. Mallista on lisäksi julkaistu pienempi versio, jonka voi suorittaa yhdellä riittävän tehokkaalla grafiikkasuorittimella.

Käyttäjä voi liikkua maailmassa pelimäisesti, käynnistää toimintoja ja muuttaa esimerkiksi tapahtumia tai säätä tekstikomennoilla.

Järjestelmään kuuluu myös agentteja, joista yksi suunnittelee hahmojen käyttäytymistä ja toinen lisää ympäristöön uusia tapahtumia.

Maailma pysyy koossa vain rajallisen matkan

Theoretically Media kokeilee LingBot-World 2.0:n selainversiossa keskiaikaista linnanpiiritystä.

Liikkuminen tapahtuu tavallisten pelien tapaan näppäimistöllä. Käyttäjä voi myös laukaista palavia nuolia ja käynnistää muita ennalta määriteltyjä tapahtumia.

Maailma näyttää aluksi yllättävän yhtenäiseltä, mutta pidemmälle liikuttaessa ympäristö alkaa vääntyä ja menettää rakennettaan.

Järjestelmä ratkaisee ongelman siirtämällä pelaajan uuteen paikkaan, kun alkuperäisen maailman rajat tulevat vastaan. Ratkaisu ei tarjoa aidosti rajatonta ja pysyvää ympäristöä, mutta se estää kuvaa hajoamasta kokonaan.

Videon tekijä pitää menetelmää älykkäänä kompromissina. Monissa vastaavissa malleissa ympäristö muuttuu nopeasti epäjohdonmukaiseksi, kun käyttäjä liikkuu liian kauas lähtöpisteestä.

Maailmamallista voi tulla virtuaalinen kuvauspaikka

LingBot-World 2.0:n kiinnostavimmat käyttötarkoitukset eivät välttämättä löydy perinteisistä videopeleistä.

Järjestelmällä voisi esimerkiksi rakentaa virtuaalisen kuvauspaikan, jossa kameraa lennätetään vapaasti. Elokuvantekijä voisi etsiä halutun kuvakulman reaaliajassa ennen lopullisen videon luomista.

Maailmamalli voisi toimia myös nopeasti muokkautuvana harjoitteluympäristönä roboteille ja tekoälyagenteille.

Nykyinen visuaalinen vakaus ei vielä riitä tavallisen pelimoottorin korvaamiseen. Teknologia osoittaa kuitenkin, kuinka pelien, videomallien ja simulaatioiden välinen raja on hämärtymässä.

Cara 4 antaa tekoälylle entistä ilmeikkäämmät kasvot

Videon lopussa esitellään Anam-yhtiön Cara 4 -avatarmallia.

Anamin mukaan Cara 4 tarjoaa aiempaa tarkempaa videokuvaa, ilmeikkäämpiä kasvoja ja paremmat mahdollisuudet omien tekoälyhahmojen rakentamiseen. Malli on ollut käytössä valituilla organisaatioilla varhaisessa testivaiheessa.

Esittelyssä kaksi tekoälyhahmoa keskustelee keskenään reaaliajassa. Kasvojen liike, silmien suunta, suun liikkeet ja pienet ilmeet muodostavat jo melko uskottavan keskustelutilanteen.

Hahmot eivät vielä täysin vastaa videopuhelussa näkyvää ihmistä. Ne tarjoavat kuitenkin huomattavasti luonnollisemman kokemuksen kuin pelkkä ruudulla näkyvä tekstikenttä tai äänettömänä liikkuva animaatio.

Kun luonnollinen puhe, nopeat kielimallit ja tällaiset kasvot yhdistetään, tekoälyavustajat voivat alkaa esiintyä videoyhteydessä ihmismäisinä hahmoina.

Tekoälyääni saa pian lähes aina kasvot

Theoretically Median Tim arvioi, että useimmilla tekoälyäänillä voi pian olla myös näkyvä hahmo.

Tällainen avatar voisi toimia asiakaspalvelijana, opettajana, oppaana, myyjänä, verkkovideon juontajana tai henkilökohtaisena avustajana.

Tekniikan yleistyminen tuo samalla uudenlaisia riskejä. Katsojan voi olla entistä vaikeampi tunnistaa, keskusteleeko hän oikean työntekijän, yrityksen hallitseman tekoälyagentin vai jotakuta todellista ihmistä jäljittelevän hahmon kanssa.

Yritysten pitäisi kertoa avoimesti, milloin näkyvä ja puhuva henkilö on tekoälyn tuottama. Erityisen tärkeää tämä on tilanteissa, joissa hahmo antaa terveyttä, taloutta tai viranomaisasioita koskevia neuvoja.

Kuvista ollaan siirtymässä kokonaisiin tekoälytuotantoihin

Videon neljä aihetta näyttävät yhdessä, mihin suuntaan luovan tekoälyn kehitys on etenemässä.

Seedream 5.0 Pro rakentaa elokuvamaisen lähtökuvan. Seedance lisää kuvaan liikkeen, puheen ja kameratyön. LingBot-World muuttaa ympäristön reaaliajassa tutkittavaksi maailmaksi, ja Cara 4 antaa tekoälyhahmolle kasvot.

Yksittäiset työkalut ovat edelleen epävakaita. Kasvot vääristyvät, fysiikka hajoaa, editorit epäonnistuvat ja reaaliaikaiset maailmat menettävät rakenteensa.

Kehityksen suunta on silti selvä. Tekoäly ei enää tuota vain yksittäisiä kuvia tai lyhyitä videoleikkeitä, vaan kokonaisia hahmoja, kuvausympäristöjä ja vuorovaikutteisia kohtauksia.

Seedream 5.0 Pron testi muistuttaa kuitenkin tärkeästä asiasta: vaikuttava ominaisuusluettelo ei vielä takaa sujuvaa työkalua. Uuden mallin todellinen arvo paljastuu vasta silloin, kun sillä yritetään tehdä tarkasti suunniteltu kuva ja korjata virheet ilman koko työn aloittamista uudelleen.