Seedance 2.0：ByteDance のマルチモーダル動画モデル実用ガイド

Seedance 2.0 は、ByteDance のより新しい動画生成モデルです。主な変化は、見た目がよくなることだけではありません。同じ生成の中で、モデルが異なる種類の入力を受け付ける方法です。テキストプロンプト、最初のフレーム画像、最後のフレーム画像、リファレンス画像、リファレンス動画、リファレンス音声です。

そのため、「プロンプトを入力してクリップを得る」だけのワークフローより広い用途に使えます。ショットをテキストで記述し、キャラクターのリファレンスを添え、短い動きのリファレンスを追加し、同期した台詞、効果音、または背景音楽つきの動画を生成するようモデルに頼めます。

このガイドは、現在ユーザーに見える制御に焦点を置きます。最新のフラッグシップモデルについては Seedance 2.5 を参照するか、2.0、Fast、Mini については Seedance 2.0 ファミリー のページを使ってください。

Seedance 2.0 が対応するもの

Seedance 2.0 は、テキストから、画像から、または混在したリファレンス入力から動画を生成できます。主な入力は次のとおりです。

重要な制約が一つあります。最初のフレームと最後のフレームの画像は、リファレンス画像と混ぜるべきではありません。最初と最後のフレームを制御するなら、その経路を使います。キャラクターやスタイルのリファレンスが必要なら、代わりにリファレンス画像の経路を使います。

ネイティブ音声はモデルの一部

Seedance 2.0 は、音声と動画を一緒に生成できます。これが重要なのは、音が動画の完成後に足すだけの追加レイヤーではないからです。モデルは、同じ生成パスで台詞、効果音、環境音、音楽を作れます。

話す台詞は、プロンプト内の二重引用符に入れます。例：

雨の窓のそばに立つ女性のクローズアップ。カメラの方を見て、「日の出の前に出発すべきだ」と言う。柔らかい室内のトーン、遠い雷、ゆっくりしたカメラのプッシュイン。

これで毎回完璧な発話が保証されるわけではありませんが、引用されたテキストを台詞として扱うよう、モデルに明確な信号を与えます。

マルチモーダルなリファレンスが本当のワークフローの変化

Seedance 2.0 で最も実用的な改善は、複数のリファレンス種別を組み合わせられることです。

• 一貫したキャラクター、製品、衣装、視覚スタイルにはリファレンス画像を使う。
• 動き、カメラの振る舞い、編集、続きにはリファレンス動画を使う。
• リズム、発話、リップシンクの方向にはリファレンス音声を使う。

プロンプトは、これらのファイルを直接参照できます。

[Image1] のキャラクターが [Image2] のセットを歩き、[Audio1] のダンスのリズムに従う。同じジャケット、髪型、照明のムードを保つ。手持ちカメラ、ミディアムショット、自然な動き。

ゼロからすべてを説明しようとするより、制御された作業方法です。製品紹介、トーキングヘッド、短い広告、衣装替え、音楽に同期したシーンに特に役立ちます。

動画編集と延長

Seedance 2.0 はリファレンス動画のワークフローにも対応します。動画を渡し、動き、カメラの方向、シーン構造など、クリップの他の部分は一貫させたまま、何か一つを変えるようモデルに頼めます。

リファレンス動画からシーンを続けるよう頼むこともできます。実務上、よいプロンプトは、何を同じままにし、何を変えるかを具体的に書きます。

[Video1] を 5 秒延長する。同じカメラの方向と同じキャラクターを保つ。キャラクターは戸口の方を向き、立ち止まり、部屋の照明が暗くなる。元の暖かい色調を保つ。

編集では、「もっとよくして」のような曖昧な指示は避けます。どの物体、背景、スタイル、動作を変えるべきかをモデルに伝えてください。

解像度、長さ、アスペクト比

Seedance 2.0 は現在、480p、720p、1080p に対応します。これは Seedance 2.0 Fast と分けて考える価値があります。Fast バリアントは 480p と 720p に対応しますが、1080p には対応しません。

このモデルは一般的なアスペクト比にも対応します。

adaptive アスペクト比は、入力に基づいてモデルにフレーム形状を選ばせます。長さは、固定の 5 秒、10 秒、15 秒から選びます。

初期テストでは、短い 5 秒クリップから始めてください。プロンプトとリファレンスがすでに機能しているときに、より長い尺と 1080p へ移ります。

Seedance 2.0 と Seedance 2.0 Fast

Seedance 2.0 Fast は、同じ大まかなワークフローを共有します。テキストから動画、画像から動画、マルチモーダルなリファレンス、ネイティブ音声、適応型アスペクト比です。違いはトレードオフです。

より速い反復が必要で、480p または 720p のままでよいなら、Seedance 2.0 Fast を使います。画質の方が重要、または 1080p 出力が必要なら、Seedance 2.0 を使います。

たいてい役立つプロンプトのコツ

よい Seedance 2.0 のプロンプトは、技術仕様のように響く必要はありませんが、いくつかの具体的な問いに答えるべきです。

• 主要な被写体は誰、または何か。
• クリップの間に何が起きるか。
• カメラは何をすべきか。
• 各リファレンスファイルから、モデルは何を使うべきか。
• 台詞、音楽、環境音は必要か。それとも音声は不要か。

例：

[Image1] の陶器のコーヒーカップが、木製のカフェのテーブルに置かれている。湯気がゆっくり立つ。カメラはクローズアップから始まり、引いて静かな朝のカフェを見せる。背景は柔らかいジャズ、自然な窓の光、浅い被写界深度。

これは「シネマティックなコーヒー広告」より有用です。被写体、動き、カメラ、音声、ムードをモデルに与えるからです。

Seedance 2.0 を使うとき

テキストだけのモデルが提供できる以上の制御が必要なとき、Seedance 2.0 は適しています。特に次の場合に関係します。

• 物体が識別できるままである必要がある製品動画
• 顔、衣装、スタイルの一貫性が重要なキャラクタークリップ
• 生成された発話を伴うトーキングヘッド、またはプレゼンター形式の動画
• 短いリファレンス動画に基づく動きの転写のアイデア
• 元の動きは保ち、シーンの一部を変えたい動画編集

編集上の判断の代わりにはなりません。プロンプトを試し、出力を比較し、より短い、またはより単純なプロンプトの方がよいときを決める必要は残ります。ただし、基本的なテキストから動画のワークフローと比べると、Seedance 2.0 は結果を制御するための手がかりをより多く与えます。

Seedance 2.5 を開く

Seedance 2.0 ファミリーを開く