Seedance 2.0とは
Seedance 2.0はByteDanceが開発した高度なマルチモーダルAI動画モデルで、画像、動画、音声、テキストの入力を組み合わせ、これまでにない創造的コントロールを実現します。このガイドではSeedanceをKling、Veo、Soraと比較し、Morphic上でマルチモーダルな動画ワークフローを使いこなす方法をプロ向けに解説します。
書かれたプロンプトだけに頼る従来のテキスト読み込み型モデルとは違い、Seedance 2.0では視覚と音声のリファレンスを使って、望む結果をAIに直接「見せる」ことができます。リファレンス画像をアップロードしてスタイルと構図を決め、動画クリップでカメラワークやアクションを示し、音声でムードとリズムを与え、それらを詳細なテキストプロンプトと組み合わせて演出を精密に指示できます。
個別の課題を掘り下げる関連ガイドが2本あります。制作の技術面はシネマティックなSeedance 2.0動画、生成が拒否されて戻ってきた場合はSeedance 2.0のプロンプトがフラグされたときの対処法をご覧ください。
プロの動画制作にSeedance 2.0を選ぶ理由
Seedance 2.0は、AI動画生成が抱える根本的な制約、つまり「説明」と「頭の中のイメージ」のずれに正面から取り組んでいます。複雑なカメラワーク、キャラクターの細部、視覚効果を言葉で描写しようとする代わりに、実例をそのまま渡せます。このマルチモーダルなアプローチがもたらすものは次のとおりです。
- 画像リファレンスによる精密なビジュアルコントロール
- 動画リファレンスによる正確なモーションの再現
- 音声の統合によるリズムとムードの同期
- 複数ショットにまたがる一貫したキャラクターとスタイル
- 連続性を保った複雑なシーン転換
このモデルは複数種類のリファレンスを同時に理解し、組み合わせることに長けており、コマーシャル制作、コンテンツ制作、プロの動画ワークフローで特に力を発揮します。
Seedance 2.0とKling、Veo、Soraの機能比較
AI動画生成ツールを検討するときは、各プラットフォームの具体的な機能を把握することが、自分のワークフローに合った選択につながります。Seedance 2.0と主要な代替ツールの比較は次のとおりです。
| 機能 | Seedance 2.0 | Kling 3.0 | Veo 3.1 | Sora |
|---|---|---|---|---|
| マルチモーダル入力への対応 | 画像、動画、音声、テキスト | 画像、動画、音声、テキスト | 画像、テキスト | 画像、テキスト |
| 動画の最大尺 | 最長15秒 | 最長15秒 | 最長8秒（延長すれば60秒超も可能） | 最長60秒 |
| 音声の統合 | 音声ファイルを直接アップロードしてリファレンスに使える | ネイティブ音声、リップシンク、多言語のセリフに対応 | ネイティブ音声、効果音、セリフに対応 | テキストからの音声生成のみ |
| 動画リファレンスの能力 | モーションとカメラワークを完全に再現 | モーションとカメラワークを完全に再現、AIディレクター搭載 | スタイル転写とリファレンス画像（最大3枚） | 限定的 |
| 最大出力解像度 | 4K（10ビット） | 4K | 4K | 1080p |
主な違い
マルチモーダルの柔軟性：Seedance 2.0とKling 3.0はどちらも、動画ファイルと音声ファイルの直接アップロードを含む幅広いマルチモーダル入力に対応しています。Veo 3.1は画像リファレンス（最大3枚）に対応しますが、音声はリファレンスではなく生成されるものです。Soraは依然としてテキストと画像が中心です。
動画リファレンスの深さ：Seedance 2.0とKling 3.0は、リファレンス映像から複雑なカメラワーク、振り付け、特殊効果を再現することに優れています。Kling 3.0の「AIディレクター」機能はマルチショットのシーン構成を自動化します。Veo 3.1は画像から動画への生成に重点を置き、キャラクターの一貫性は強い一方、動画から動画へのモーション再現にはあまり重きを置いていません。
音声の機能：Seedance 2.0は音声ファイルを直接アップロードでき、ムードの制御とビートの同期を精密に行えます。Kling 3.0は5言語で正確なリップシンクを伴うネイティブ多言語音声を生成します。Veo 3.1は音声をネイティブに生成しますが、音声ファイルをリファレンスとして受け付けません。Soraはテキストの記述だけから音声を生成します。
尺と延長：単発の生成尺が最も長いのはSora（最長60秒）ですが、Veo 3.1の延長機能を使えばクリップを連結して60秒を超えられます。Seedance 2.0とKling 3.0はどちらも15秒の生成に対応し、延長も可能です。
解像度と品質：Seedance 2.0は最大4K、10ビットエンコードで出力するため、HDRやカラーグレーディング作業に必要な階調が保たれます。生の解像度ではKling 3.0やVeo 3.1と並ぶので、決め手になるのは画素数よりもリファレンスの制御力です。
既存映像の編集：Seedance 2.0はアップロードした動画を、単に真似る対象ではなく編集できる素材として扱います。クリップ内の要素を追加、削除、差し替えでき、時間軸の前後に伸ばすことも、別々のクリップを1本につなぐこともできます。編集が後付けではなく主要機能として設計されているため、クライアントの承認をすでに得た映像をそのまま活かせます。
どのSeedance 2.0モデルを使うか
Seedance 2.0は同じ機能を共有し、品質とコストで差がつく3つのモデルからなるファミリーです。
| モデル | 向いている用途 | 最大解像度 |
|---|---|---|
| Seedance 2.0 | 最高品質の生成。4Kを出力できる唯一のモデル | 4K |
| Seedance 2.0 Fast | 最上位の品質が不要なときに速度とコストのバランスを取る | 720p |
| Seedance 2.0 Mini | コスト効率が最も高く、大量の試行に向く | 720p |
実務的な進め方としては、プロンプトとリファレンスが安定するまでMiniかFastで下書きし、最終出力だけをフルのSeedance 2.0で回すのが有効です。
本記事の情報は2026年7月時点のものです。機能と提供状況は変更される場合があります。
Seedance 2.0の主な機能と能力
マルチモーダル入力システム
Seedance 2.0は、組み合わせて使える4種類の入力を受け付けます。
画像入力（最大9枚）
- ビジュアルのスタイルと方向性を定める
- キャラクターの外見を確立し、一貫性を保つ
- シーンの構図とフレーミングを決める
- 商品の細部を正確に再現させる
- ライティング、カラーグレーディング、空気感を制御する
動画入力（最大3クリップ、合計15秒まで）
- 特定のカメラワークや撮影手法をリファレンスにする
- モーションのパターンや振り付けを再現する
- シーン転換や編集のリズムを写し取る
- 特殊効果や映像テクニックを提示する
- キャラクターの動きやからみを見せる
音声入力（MP3またはWAV、最大3ファイル、各2-15秒、合計15秒まで）
- 音楽でムードと感情のトーンを決める
- リズムとビートの構造でテンポを制御する
- 特定の効果音や環境音を加える
- セリフに合う声の質感をそろえる
- 映像の変化を音のきっかけに同期させる
テキストプロンプト（自然言語）
- 物語とストーリーの進行を導く
- リファレンスに写っていない動作や動きを指定する
- シーン転換とタイミングを記述する
- リファレンスをどう適用するかを明確にする
- ビジュアルのリファレンスに現れない情報を補う
制限について：ファイル数の合計上限はありません。上限は種類ごと（画像は最大9枚、動画は3クリップ、音声は3ファイル）に設定されており、本当に効いてくるのは上限そのものではなく、こちら側の抑制です。ByteDance自身、許容量よりはるかに少ないリファレンスで使うことを推奨しています。ただし、まったく対応していない組み合わせが1つあります。テキストと音声だけ、または音声だけでは生成されません。すべてのジョブにテキストが必要で、音声は必ず視覚的なリファレンスと一緒でなければ機能しません。
リファレンス機能のアーキテクチャ
Seedance 2.0の核心はリファレンス理解のしくみにあります。入力を単なるスタイル指針として扱うのではなく、モデルは各リファレンスから具体的な要素を解析して抽出します。
画像から：構図の構造、キャラクターの特徴、物体のディテール、ライティングの組み方、色の関係、空間配置、スタイルの特性
動画から：カメラの軌道、動きの速度と加速、ショットのフレーミングの変化、被写体の動作とタイミング、特殊効果の実装、転換のテクニック
音声から：リズムとビートのパターン、音色によるムードと空気感、音量のダイナミクス、効果音のタイミング、声の質感
この細かい粒度の理解によって、各リファレンスのどの側面を生成に反映させるかを的確に指定でき、最終出力を精密にコントロールできます。
生成品質そのものの向上
マルチモーダル機能に加えて、Seedance 2.0は土台となる品質面も強化しています。
リアルな物理挙動：物体もキャラクターも本物らしい物理法則に沿って動きます。衣服は自然に垂れ、液体は説得力をもって流れ、要素どうしの相互作用は現実の法則に従います。
滑らかなモーション：動きが不自然な飛びやモーフィングの破綻なく連続します。複数段階からなる複雑な動作でも、最後まで整合性が保たれます。
プロンプトの正確な理解：空間関係（「背景の後ろに」など）、順序立てたショットの並び、複数の被写体が絡む複雑な状況まで、詳細な指示を正確に解釈します。例外は正確なタイムコードで、これは後述します。
スタイルの一貫した維持：生成の冒頭で確立された見た目の特徴が、最後まで安定して保たれます。キャラクターの外見、ライティング、作風はシーンが進んでもぶれません。
難しいアクションの実行：格闘の振り付け、細かい手の動き、話しているときの表情、複数キャラクターの連携といった難易度の高いシーンにも対応します。
マルチモーダルなコントロールを体験しませんか。 MorphicでSeedance 2.0の制作を始める →
技術仕様
| 項目 | 仕様 |
|---|---|
| 生成尺 | 4-15秒 |
| 出力解像度 | 480p、720p、1080p、4K（Seedance 2.0）。FastとMiniは720pが上限 |
| アスペクト比 | 21:9、16:9、4:3、1:1、3:4、9:16、およびリファレンス画像に合わせる自動設定 |
| 出力フォーマット | MP4。4KはH.265（HEVC）10ビットでエンコード |
| 音声出力 | 効果音、セリフ、BGMの生成を内蔵 |
| 画像入力 | JPEG、PNG、WEBP、BMP、TIFF、GIF、HEIC、HEIF。1枚あたり30MBまで |
| 動画入力 | MP4、MOV（H.264またはH.265）、24-60fps、1クリップあたり2-15秒、1本200MBまで |
| 音声入力 | MP3、WAV。1ファイルあたり2-15秒、15MBまで |
出力設定について2点補足します。2.35:1の選択肢はないため、シネスコ調の画にしたい場合はプロンプトで2.35:1を要求するのではなく21:9を選んでください。また4KはH.265を使うため、ファイル自体に問題がなくても、ブラウザやプレーヤーによっては直接プレビューできないことがあります。
Seedance 2.0の入力仕様を理解する
ファイル数と尺の制限
生成品質を高めつつ計算リソースを抑えるため、Seedance 2.0には入力の制約が設けられています。
ファイル種類ごとの上限
- 画像：最大9ファイル
- 動画：最大3クリップ
- 音声：最大3ファイル
合計尺の上限
- 動画リファレンス：全クリップ合計で15秒
- 音声リファレンス：全ファイル合計で15秒
クリップごとの最小要件（見落としやすい点）
- リファレンス動画のクリップは1本あたり2秒以上必要
- リファレンス音声のファイルは1本あたり2秒以上必要
- リファレンス動画は24から60fpsで再生されるものであること
ファイル数の合計上限はありません。 画像9枚に動画3本と音声3本を足したリクエストも仕様上は通ります。ただし次のセクションで述べる理由から、それは悪手です。
対応していない組み合わせ：テキストと音声だけ、または音声だけでは生成されません。音声には必ず視覚的なリファレンスが必要です。
生成される動画の尺：4-15秒。
与えられた枠を埋めようとしない
上記の制限は上限であって目標ではありません。ByteDance自身のガイダンスも、素材の枠をすべて使い切ると結果が劣化するとはっきり述べています。リファレンスが多すぎると、モデルはどの特徴を優先すべきか判断しづらくなり、スタイルの衝突、被写体の識別のぼやけ、指示から外れた出力を招きます。
推奨される構成は合計4つから5つの素材です。 それぞれが別々の役割を担うべきです。
- キャラクターの固定（画像1-2枚）：キャラクターの外見を確定させる
- シーンのトーン設定（画像1枚）：環境とスタイルを確定させる
- カメラワーク（動画1本）：ショットの言語とリズムを確定させる
- リズムと空気感（音声1本）：感情と音色を制御する
同じ役割を2つのリファレンスが取り合っているなら、1つ多すぎます。同じキャラクターの画像を4枚アップロードしても、モデルがそのキャラクターに4倍自信を持つわけではありません。どの画像を信じるべきか、かえって迷わせるだけです。
実例：商品の見た目を正確に出し、ダイナミックなカメラワークと明るい音楽を伴う15秒のコマーシャルなら、5つの素材で発注内容は足ります。
- 画像2枚：2つの角度から見た商品
- 画像1枚：狙いのカラーグレーディングとライティング
- 動画1本：カメラワークのリファレンス
- 音声1本：テンポを決める音楽
環境、ムード、テンポを含むそれ以外の要素は、すべてテキストプロンプトで指定します。
人物数の絶対的な上限：リファレンスに写る人物が4人を超えると、出力の安定性は急激に落ちます。画面内の人数が合わない、同じ人物が重複するといった破綻が出はじめます。6人の集団が必要なら、まず3人ずつのグループ画像を2枚生成し、その画像を動画のリファレンスとして使ってください。
入力品質のガイドライン
画像リファレンスの場合
- 正確さが重要な場面では、鮮明で十分な明るさの写真を使う
- 解像度が高いほどディテールの再現がよくなる
- 複数アングルが役立つのは商品や物体です。顔にはむしろ逆効果で、後述の顔のクローズアップ写真のルールを参照してください。複数アングルのキャラクターシートは、別人が何人もいると解釈されます
- 圧縮が強い画像や低品質の画像は避ける
動画リファレンスの場合
- リファレンスにしたい要素がはっきり見えていることを確認する
- 要素を詰め込んだ長いクリップより、1点に絞った短いクリップのほうがうまくいく
- 動画の品質が高いほどモーションの理解が向上する
- 必要な区間だけが映るように動画をトリムする
音声リファレンスの場合
- 可能なかぎり、背景ノイズのないクリーンな音声ファイルを使う
- 狙いのリズムやムードが明確に伝わる音声にする
- 目標とする動画の尺におおよそ合わせた長さにする
- 複数の目的を兼ねられるなら、動画ファイルから抜き出した音声も検討する
Seedance 2.0 のマルチモーダルリファレンスの使い方
Seedance 2.0 は Morphic から利用でき、リファレンスのアップロードとプロンプト入力を1つの画面で行えます。アップロードした各ファイルを生成でどう使うかは、@ メンションの記法で指定します。
まず、3つのタスクのどれを頼んでいるのかを見極める
書き始める前に、モデルに与える仕事がどれなのかを決めてください。タスクによって書き方が変わり、ここを間違えるのが生成を無駄にする最大の原因です。
- マルチモーダルリファレンス: 素材から要素（被写体、スタイル、カメラワーク、声など）を取り出し、まったく新しい動画を作る。
- 動画編集: 既存の動画の中身を変更する。書かなかった部分は元のまま残る。
- 動画拡張: 既存の動画を前方または後方へ続ける。スタイル、被写体、物語をそのまま保つ。
落とし穴: 編集と拡張のタスクでは、そのクリップを必ず @Video 1 と呼び、「reference @Video 1」とは書かないでください。リファレンスという語があると、モデルはその仕事をリファレンスタスクだと分類し、クリップを編集する代わりに、似ているだけの新しい動画を生成してしまいます。「@Video 1 を厳密に編集する」「@Video 1 を後方へ拡張する」と書き、「@Video 1 をリファレンスして編集する」とは書かないこと。
リファレンスする前に被写体を定義する
アップロードした画像には、たいてい複数の要素が写っています。被写体を明示的に名付ける工程は多くの人が飛ばしますが、モデルが誤った要素に食いつくのを防ぐのはまさにこの工程です。
被写体を一意に特定できる、変化しない静的な特徴を2〜3個（服装、髪型、カテゴリなど）選び、素材に結び付けます。
@Image 1 の [中心となる特徴] を [被写体名] として定義する
例: @Image 1 の赤いドレスと麦わら帽子の女性を Subject 1 として定義する。 それ以降、彼女は Subject 1 とだけ呼びます。登場するたびに毎回同じラベルを使ってください。「その女性」「彼女」「Subject 1」と呼び分けると、モデルは誰を指しているのか見失うことがあります。
手早く済ませたいときは定義を省き、言及するたびにペアを繰り返してインラインで結び付けても構いません。Subject 1@Image 1 のように書きます。
ここで効いてくるルールが2つあります。説明は短く、矛盾のないものにすること。同じ被写体に相反する特徴が2つあると結び付けが混乱します。そして、空間的な関係は言葉で説明するより見せたほうが早い場合、テキストで書かずにリファレンス画像で示してください。
@ リファレンスの仕組み
素材を Morphic にアップロードしたら、プロンプト内では @ 記号にファイル識別子（Image 1、Video 1、Audio 1 など）を続けて参照します。肝心なのは、各リファレンスがどんな目的で使われるのかを明示することです。
基本のリファレンス構文:
@[素材の種類 + 番号] を [具体的な目的] として、[追加のコンテキスト]
明確な書き方と曖昧な書き方:
曖昧: 「@Image 1 と @Video 1 を使って動画を作る」
明確: 「@Image 1 をキャラクターの顔が見える冒頭フレームとして使い、@Video 1 のカメラの押し込みの動きをリファレンスし、@Audio 1 を背景音楽に使って明るいムードを作る」
最も重要な素材を先頭に置く。 プロンプト内で早く登場する素材ほど、重みが大きくなります。キャラクターの顔を正確に再現したいなら、そこから書き始めてください。
情報の種類をモデルに伝える記号
Seedance 2.0 は4種類の括弧を、情報の種類を示す信号として読み取ります。これを使えば、セリフが画面上のキャプションとして描かれたり、効果音が声で読み上げられたりするのを、手軽に防げます。
| 情報の種類 | 括弧 | 例 |
|---|---|---|
| 音楽 | ( ) | (テンポの速いロック音楽が背景に流れる) |
| 効果音 | < > | <遠くで犬が吠える> |
| セリフ | { } | {もう行こう。今すぐ。} |
| 画面上の字幕 | 【 】 | 【第一章: 出発】 |
セリフが英語以外の言語の場合は、括弧の前に言語名を書きます。says in Japanese {こんにちは} のように指定してください。1つのシーンにつき言語は1つに保つこと。固有名詞は別として、同じプロンプト内で複数の言語を混ぜると発音の質が落ちます。
効果的なマルチモーダルプロンプトの書き方: CRAFTS フレームワーク
優れた Seedance 2.0 のプロンプトは、コピーライティングというより設計指示書に近いものです。モデルはテキスト、画像、動画、音声を同時に読み取り、内部で空間レイヤー（フレームに何があるか）と時間レイヤー（それが時間とともにどう変わるか）に分けます。あなたの仕事は、その両方のレイヤーに濁りのない情報を渡すことです。
CRAFTS は、完全なプロンプトが指定すべき6つの要素を表します。Context（コンテキスト）、Reference（リファレンス）、Action（アクション）、Framing（フレーミング）、Timeline（タイムライン）、Style and constraints（スタイルと制約）。
C - コンテキスト: シーンと環境を設定する 場所、時代、雰囲気、全体の舞台設定を決めます。シーン用の画像へのリファレンスもここに含めます。
例: 「夜の照明を落としたジャズクラブで、@Image 1 の室内の雰囲気をリファレンスする」
R - リファレンス: 被写体を定義し、素材に結び付ける 各被写体を2〜3個の変化しない特徴で名付け、それぞれの素材が何を提供し、何を提供しないのかを正確に述べます。
例: 「@Image 2 のグレースーツの男性を Pianist として定義する。@Image 2 は顔と体格のみに使い、服装には使わない。@Video 1 は歩くペースに使う。@Audio 1 は背景のジャズに使う。」
A - アクション: 人物とオブジェクトの動きを描く シーンで起きること、つまり人物の行動、オブジェクトとのやり取り、出来事の順序を詳しく書きます。うまくいくアクション描写とそうでないものを分けるのは、次の2点です。
小さく、ゆっくり動かす。 Seedance 2.0 は、激しい動きよりも、穏やかで連続した小さな動きのほうがはるかに安定して扱えます。全力疾走、大きなジャンプ、激しい転倒などは、手足が崩れ、物理法則が破綻しやすい領域です。「ゆっくり歩く」「そっと手を上げる」「動きの流れのまま腰を下ろす」といった表現を選んでください。体の部位に加えて、可動域、速度、力の強さを指定します。「彼が頭を動かす」ではなく「彼が素早く頭を振り向ける」と書きます。ある動作が次の動作につながる場合は、そのつながり方を書き、動きが自らの慣性を持つようにします。「振り向いた勢いを使って自然に手を上げる」のように。
感情を身体的なディテールとして外に出す。 モデルは「とても悲しい」を描けません。悲しみが身体に何をもたらすかなら描けます。抽象的なラベルを、その兆候に置き換えてください。
| この語の代わりに | こう描写する |
|---|---|
| 悲しみ | 頭を下げる、肩がわずかに震える、目が赤くなる、指が無意識にコートの裾を握りしめる、涙が浮かぶがこぼれ落ちない |
| 喜び | 口角がこらえきれず上がる、眉と目元がゆるむ、足取りが軽くなる、気づかぬうちに鼻歌が出る、その場で回らずにいられない |
| 緊張 | 何度も時計を見る、指がテーブルを叩く、呼吸が速くなる、視線が泳ぐ、爪を噛む |
| 怒り | 両拳を握りしめる、顎に力が入る、胸が大きく上下する、鋭くにらみつける、歯を食いしばって言葉を絞り出す |
| 安堵 | 長く息を吐く、張りつめていた肩が一気に落ちる、顔にかすかな笑みが戻る、遠くを見上げる |
例: 「Pianist が部屋をゆっくり横切り、バーカウンターの前で足を止め、グラスを手に取る。一口飲み、ドアのほうへ視線を向けると顎に力が入り、指がグラスを強く握りしめる。」
F - フレーミング: カメラワークと撮影を決める ショットの種類、カメラの動き、アングル、トランジションを、映画用語で指定します。モデルは標準的なカメラ用語をよく理解しているので、そのまま素直に使ってください。
例: 「ワイドの状況説明ショットから始め、人物がバーカウンターに近づくのに合わせてミディアムクローズアップまでドリーイン、その後ドアのほうを見るオーバーザショルダーショットにカットする」
1ショットにつきカメラの動きは1つ。 1つのショットに押し込み、旋回、パンを同時にやらせるのは、映像を最短で不安定にする方法です。3つの動きが欲しいなら、必要なのは3つのショットです。
T - タイムライン: 秒数ではなくショットを並べる
これは多くのガイドが間違えている要素で、本ガイドの以前の版も例外ではありませんでした。つい「0〜4秒はこれ、4〜8秒はあれ」とタイムスタンプを振りたくなります。しかし Seedance 2.0 の精密なタイミング指定は不安定で、各区切りに正確な尺を押し付けると、生成そのものが壊れることがあります。
代わりにショットを順番に並べ、テンポはモデルに任せてください。出来事の順に ショット1、ショット2、ショット3 とラベルを付け、各ショットを「カメラの動き、被写体のアクション、位置、音」の順に書きます。
弱い例: 「男が不安げに通りを走り、シーンはとても映画的な雰囲気になる。」
強い例:
- ショット1: 路地の側面からの視点。男が走り出し、息が速い。
- ショット2: 男が果物の屋台を倒す。カメラが揺れ、怯えた表情のクローズアップまで押し込む。
- ショット3: 男が低い塀を越えて姿を消す。カメラがゆっくり引き、誰もいない通りに落ち着く。
タイムスタンプは禁止ではなく、ByteDance 自身のサンプルプロンプトにも出てきます。ただし、モデルが汲み取るかもしれないヒントであって、必ず従う命令ではないと考えてください。テンポが本当に重要なら、頼れる手段はタイムコードを細かく書くことではなく、1クリップあたりのショット数を減らすことです。
S - スタイルと制約: 失敗パターンの入り口を閉じる
プロンプトの最後のブロックは、多くの人が省いてしまう部分ですが、思っている以上に仕事をしています。ここには3つの役割があります。
画質: 仕上がりを名指しします。「高精細、豊かなディテール、フィルム的な質感、自然な色、柔らかい光。」
スタイル: 見た目を名指しします。リファレンス画像がすでにそれを示していると思えるときでも、必ず書いてください。リファレンス写真が実写なのにアニメーションが欲しい場合、それを書かなければ、出力は実写のほうへ引き戻されます。「2Dの日本のアニメーション風」「3Dのスタイライズド CG」のように明示してください。
制約: 誰も頼んでいない不要な要素をモデルが作らないようにする一文です。
- 字幕なしにする。テキストや字幕を一切生成しない。
- ロゴを生成しない。
- ウォーターマークを生成しない。
ここは限界も正直に書いておきます。制約ワードは、余計な字幕やウォーターマークが出る確率を下げますが、ゼロにはしません。本当に効くのは次の2つです。リファレンス画像やクリップに不要なテキストが写っている場合は、アップロードする前に素材からテキストを取り除くこと。そしてプロジェクトが許すなら、横向きで生成すること。余計な字幕が出る頻度は、縦向きより横向きのほうが明らかに低いからです。縦向きが必要なら、後からクロップすれば済みます。
CRAFTS のプロンプト例:
コンテキスト: 1940年代の夜のノワール探偵事務所。ブラインドの影が机に落ちている。照明と雰囲気は @Image 1 に合わせる。リファレンス: 探偵の外見（中折れ帽、トレンチコート）は @Image 2、ゆっくりと 意図的な歩くペースは @Video 1。@Image 2 の中折れ帽とトレンチコートの男性を Detective として定義 する。ショット1: 事務所全体のワイドショット。Detective が画面左から入り、机へ向かって歩く。 <木の床を歩く足音。> ショット2: カメラが並走し、彼が机から写真を持ち上げて見つめるところで クローズアップまで押し込む。ショット3: 手の中の写真のインサートショット。ショット4: カメラが引いて ミディアムショットに戻る。彼は写真を置き、重いため息をつく。全編を通して: (@Audio 1 の物憂げな サックスの旋律)。字幕なしにする。高精細、フィルムグレイン、深い影に対する温かみのある実光。
画像リファレンスのテクニック
ビジュアルスタイルと美術の方向性を決める
画像は生成物全体の見た目と空気感を決めます。配色、光の当て方、構図のスタイル、絵作りの処理を定義するのに使ってください。
雨に濡れた夜の街路のシーンを、@Image 1 のビジュアルスタイルで作る。濡れた路面の反射、ショー ウィンドウの光、物憂げな青とマゼンタのカラーグレーディングを合わせる。縦方向の建築的な構図は @Image 2 に従う。高精細、フィルムグレイン、自然な色。
複数ショットでキャラクターの一貫性を保つ
同じキャラクターが登場する動画を複数生成するときは、各プロンプトで同じキャラクター画像をリファレンスして外見の一貫性を保ちます。
このシーケンス全体で @Image 1 の女性を登場させ、顔立ち、髪型、服装を正確に維持する。彼女は @Image 2 の屋外の場所から始まり、その後シーンは @Image 3 の屋内環境へ移り変わる。どちらの場所 でも彼女の外見は一貫している。
細部まで正確な製品ショーケース
コマーシャルや製品中心のコンテンツでは、複数のアングルとディテールショットをリファレンスに使い、正確な再現を確保します。
@Image 1 のハンドバッグの製品ショーケースを作る。側面のシルエットは @Image 2 に合わせ、表面の 質感と素材のディテールは @Image 3 をリファレンスし、金具と留め具は @Image 4 に合わせる。なめらかな 回り込みのカメラワークで全アングルを見せる。細部が全部見えるよう、明るく清潔な照明にする。
動画リファレンスのテクニック
カメラワークと撮影を再現する
動画リファレンスは、テキストだけでは説明しにくい具体的なカメラ技法を示すのに向いています。
@Image 1 のキャラクターを @Image 2 の廊下に配置する。@Video 1 のカメラの動きをすべて厳密に再現 する。キャラクターが歩くのを背後から追うトラッキングショット、カメラが前方へ回り込んでローアングル になり、その後右へ90度パンして戸口をフレームに収める。カットなしのワンショットで実行する。
モーションパターンと振付を複製する
ダンス、格闘シーン、特定の動きのパターンには、動画リファレンスがフレーム単位のモーションの手本になります。
@Image 1 の武術家が @Image 2 の道場で技を繰り出す。@Video 1 に示された蹴りの連続を正確に再現 する。回転後ろ蹴り、回し蹴りへの移行、最後に跳び回し蹴り。リファレンスの動きの速度、高さ、流れ るような滑らかさを一致させる。
特殊効果と映像表現を再現する
動画リファレンスは、パーティクル効果、トランジション、合成技法などの視覚効果を正確に再現するための手本にもなります。
@Image 1 のキャラクターが魔法の変身を行う。@Video 1 のパーティクル効果をリファレンスする。光る 粒子が地面から立ち上り、キャラクターの周りを渦巻き、輝きが強まり、その後粒子が外へ弾けて @Image 2 の変身後の姿が現れる。
音声リファレンスのテクニック
背景音楽の組み込みとムード設定
音声リファレンスは、音楽の選択を通じて動画の感情のトーンとテンポを決めます。
@Image 1 のアスリートが @Image 2 のジムにいる、15秒のモチベーショナルなフィットネス動画を作る。 @Audio 1 のエネルギッシュな音楽を使い、鼓舞するような力強いムードを作る。カメラの動きは音楽の 推進力のあるリズムに合わせ、ダイナミックな押し込みと移動を入れる。
ビートに合わせた画の切り替え
シーンの切り替え、カット、画の変化を特定の音楽のビートに同期させ、洗練されたプロのテンポを作ります。
@Image 1 のキャラクターが @Audio 1 の音楽のビートごとに衣装を替える。最初の衣装は @Image 2、 1拍目で @Image 3 の2着目にカット、2拍目で @Image 4 の3着目、3拍目で @Image 5 の4着目。各カットは ビートちょうどに起きる。トランジション効果なしの素早いカットを使う。
声の音色とセリフの一致
特定の声の性質が重要な場合は、望む声質を含む音声または動画ファイルをリファレンスします。
ナレーターの声は @Audio 1 の低く威厳のある音色に合わせる。ナレーション原稿: 「テクノロジーに よって一変した世界で、ひとりの人間があらゆるものに疑問を投げかける。」リファレンスと同じテンポ と劇的な強弱で読み上げる。
複数リファレンスを組み合わせた応用例
すべての入力タイプを組み合わせたコマーシャル制作
例: 製品コマーシャル
コンテキスト: @Image 1 を環境リファレンスとするミニマルなスタジオ。白いシームレス背景、印象的な サイドライト。リファレンス: @Image 2 と @Image 3 は製品（ワイヤレスヘッドホン）を正面と側面から 見せる。@Video 1 はカメラの動き、ゆっくり回り込むドリーに使う。@Audio 1 は背景音楽に使う。 ショット1: ヘッドホンがフレーム中央に浮かぶワイドショット。カメラは @Video 1 の軌道に合わせ、 その周りをゆっくり円を描いてドリーし始める。ショット2: カメラが回り込み続けるなか、ヘッドホンが 静かに展開する。<柔らかな機械的なクリック音。> ショット3: イヤーカップの LED が点灯する ところで、カメラがクローズアップまで押し込む。<柔らかな起動音。> 全編を通して: (@Audio 1 の明るいエレクトロニックミュージック)。スタイル: 高精細、クリーンな製品コマーシャルの 仕上がり、シャープな反射、自然な色。ロゴやウォーターマークを生成しない。字幕なしにする。
セリフのある複数人物のシーン
例: ナラティブシーン
コンテキスト: 昼間の企業の会議室。@Image 1 のモダンな内装、大きな窓、長いテーブル。リファレンス: @Image 2 のネイビースーツの女性を CEO として定義する。@Image 3 のグレースーツの男性を Investor として定義する。@Video 1 は話者間の切り返しのカメラのリズムに使う。@Audio 1 は緊張感のある アンビエント音楽に使う。ショット1: ワイドショット。CEO と Investor がテーブルの両端にいる。CEO が 立ち上がり、力強く身振りを交えて言う {この合併しか道はありません。} ショット2: Investor のミディアムショットにカット。彼は腕を組んで背もたれに寄りかかり、素っ気なく返す: {その話は前にも聞いた。} ショット3: CEO のミディアムショットにカット。彼女は顎に力を 入れたまま、どさりと腰を下ろす。ショット4: Investor が立ち上がるワイドショット。彼が窓辺へ歩く のをカメラがなめらかに追う。<硬い床を歩く足音。> 全編を通して: (@Audio 1 の緊張感のある アンビエント音楽を低めのレベルで)。スタイル: 高精細、冷たい企業的なトーン、柔らかな窓の光。顔は 変形なく一貫して保つ。字幕なしにする。
Seedance 2.0 の高度な機能
連続する物語のための動画の延長
Seedance 2.0 は、既存の動画に物語の続きとなる新しい内容を足して延長できます。方向は前後どちらでも指定できます。クリップの後に起きることを生成できるだけでなく、その前に起きたことも生成できるので、良いショットはあるのに入り口がない、という場面で役立ちます。
動画の延長の仕組み:
- 既存の動画をアップロードする
- どちらの方向に延長するかを伝え、何が起きるかを説明する
- モデルが自ら遷移フレームを抽出し、続きを生成する
クリップは @Video 1 と参照してください。「reference @Video 1」とは書かないでください。これは編集タスクであり、reference という語はモデルを、あなたの動画の続きではなく似た別の動画の生成へと引っ張ってしまうことがあります。
例: カフェのシーンを延長する
既存の動画: カフェのテーブルに座ってノートパソコンを見ている人物の10秒クリップ
@Video 1 の後に続く内容を生成してください。人物はノートパソコンを閉じ、コーヒーカップを手に取り、 窓の外を眺めながら一口飲み、カップを置いて立ち上がります。カメラはミディアムショットのまま、 元の構図とライティングを保ちます。
元の映像は再生成されないため、すでに気に入っている部分はそのまま残ります。既定では、出力に含まれるのはソースクリップの末尾だけで、全体は含まれません。返される動画に元のクリップを含めたい場合は、そう指示してください。「@Video 1 を前方向に延長し、[説明]、最後に @Video 1 で終わってください」のように書きます。
あらかじめ織り込むべき2つの制約
延長は実用的な機能ですが、継ぎ目が完全に見えないわけではありません。先に知っておけば、無駄な半日を失わずに済みます。
継ぎ目が飛ぶことがあります。 新しいセグメントと元の映像がつながる箇所で、わずかな飛びや1フレームの巻き戻しが見えることがあります。現時点で、これを確実に直すプロンプトはありません。実務的な修正は編集ソフト側です。すべての継ぎ目で、前のクリップの末尾から約6フレーム、後のクリップの先頭から1フレームをトリムします。さらに良いのは、継ぎ目が動きの途中ではなくカット点に落ちるようにクリップを設計することです。カット点なら不連続は構造上見えません。
延長を連鎖させると画質が劣化します。 生成した動画を次の延長のソースとして再投入すると画像が劣化し、パスを重ねるほど傷が蓄積します。最初は顔にまだらな色の斑点として現れます。連鎖は短く保ち、手元にある最高画質のソースを投入してください。
どうしても繰り返し延長する必要がある場合、ByteDance は変わっていますが効果的な回避策を示しています。まずクリップをホワイトモデル動画に変換し、そこから続きを作るという方法です。プロンプトはおおよそ次の通りです。「動画を白い3Dモデルに変換してください。すべての人物は純白の3Dモデルになり、色もテクスチャも影もなく、背景は純白、構造は安定し、動きは滑らかです」。色とテクスチャを取り除くことで、次のパスは前のパスのアーティファクトを積み重ねる代わりに、きれいな構造ベースの上に組み立てられます。
延長のベストプラクティス:
- 連続性を最も高く保つため、延長は比較的短く(5〜8秒)する
- 元の終わりと新しい内容をつなぐ動作をはっきり書く
- 一貫させたい要素(カメラアングル、ライティング、人物の位置)を明示する
- 元の動画に音声がある場合は、その音声のスタイルを延長側でも参照する
動画フュージョンと複数クリップの遷移
橋渡しとなる内容を生成することで、複数の既存クリップの間に滑らかな遷移を作れます。
例: 2つのロケーションをつなぐ
既存の動画:
- @Video 1: 街路を歩く人物(角に近づくところで終わる)
- @Video 2: 同じ人物がアパートに入る(ドアが開くところから始まる)
@Video 1 と @Video 2 の間をつなぐ5秒の遷移セグメントを作成してください。@Video 1 の終わりの人物が 角を曲がり、@Video 2 の冒頭フレームの背景に見えるアパートの外階段を上り、ドアにたどり着き、 それを開き始めます(@Video 2 の冒頭につながります)。両方のリファレンス動画から、人物の外見、 歩くペース、動きのスタイルを一致させてください。ライティングは冒頭の屋外の日光から、最後は @Video 2 の室内照明へと移行します。
これにより、別々に撮影した2つの素材を滑らかにつなぐブリッジクリップが生成され、人物と物語の連続性が保たれます。
既存動画での人物置き換え
カメラワーク、動き、シーンの細部を含む他の要素をすべて保ったまま、動画内の人物や被写体を差し替えます。
例: 音楽パフォーマンスの置き換え
@Video 1 の女性リードボーカルを、@Image 1 の男性アーティストに置き換えてください。パフォーマンスの 動作は元の動画を正確に再現します。マイクの扱い、体の動き、表情、バンドとのやり取りまで同じです。 置き換えたアーティストは、元のパフォーマンスのタイミングとエネルギーにフレーム単位で合わせます。 他の要素はすべて変更しません。バンドメンバー、ステージ、ライティング、カメラの動きはそのままです。
人物置き換えのユースケース:
- 広告企画で異なるタレントを試す
- 同じシーンを別の俳優で複数バリエーション作る
- 既存の映像を新しいブランドアンバサダーで更新する
- 地域ごとの市場向けに現地のタレントでコンテンツを作る
ストーリー展開の反転と物語の書き換え
視覚的・技術的な要素を維持したまま、既存動画の物語の方向や結末を全面的に変えます。
例: 恋愛ドラマの反転
元の動画 (@Video 1): 橋の上で男性が女性にプロポーズし、女性が承諾して抱き合うロマンチックなシーン
@Video 1 のストーリー展開を反転させてください。シーンの始まりは同一です。男性がひざまずき、指輪の箱を 開けます。しかし女性の表情は、驚きの喜びから衝撃的な気づきへと変わります。彼女は首を振りながら後ずさり します。男性の顔は期待から、冷たく打算的なものへと変わります。彼はゆっくりと立ち上がり、その物腰は 愛情ではなく脅威を帯びていきます。女性が言います。「最初からずっと私を騙していたのね!」 男性は氷のような笑みで応じます。「これはお前が私の家族に負っているものだ」 対決の結末が、元のロマンチックな抱擁に取って代わります。@Video 1 のカメラアングルと動きはすべて維持 してください。
この手法により、既存映像の撮影表現と制作品質を保ったまま、物語を完全に別方向へ導けます。
ワンテイクの長回しショット
カットを挟まず、複数の環境を通して被写体を追い続ける長回しシーケンスを作れます。
例: 街中の追跡シーン
@Image 1、@Image 2、@Image 3、@Image 4、@Image 5 は、走者を追うワンテイクのトラッキングショットを 表しています。シーケンス: 路上から始まり(@Image 1)、走者が全速力で右からフレームインするところを ワイドショットで捉えます。カメラは走者を後方から捉えて追い、走者は建物の入口に達します(@Image 2)。 そのまま追跡を続け、走者は屋内の階段を駆け上がります(@Image 3)。距離を詰めたまま追い続けます。 屋上に出ます(@Image 4)。カメラは依然として後方から追います。走者は屋上の縁に達します。カメラは 走者の正面側へ回り込んで最後のフレームを捉え、そこからクレーンアップして真上からの視点で街の スカイラインを見せます(@Image 5)。カメラ: 全編を通して手持ち風の連続トラッキング。カットなし。 緊迫感とリアリティのためにわずかなカメラの揺れを加えます。環境間の移動は滑らかにつなぎます。 上のショット順がテンポを決めます。各セグメントを固定の秒数に縛らないでください。
クリエイティブ・テンプレートの再現
リファレンス動画の構成、スタイル、手法をコピーしつつ、被写体とブランド要素を自分のものに差し替えます。
例: 広告スタイルの応用
リファレンス: @Video 1 は、特徴的なカメラ技法、遷移、テンポを持つハイエンド香水広告です
@Video 1 の広告スタイルと構成を参照して、高級腕時計の広告を作成してください。同じカメラ技法を 使います。滑らかなドリー移動、劇的なライティングの見せ場、ディテールへの寄り、上品なテンポです。 香水のボトルを @Image 1 の腕時計に置き換えてください。洗練されたカラーグレーディング、遷移の タイミング、リズムはリファレンスから維持します。環境は @Image 2 のようにミニマルでモダンにします。 高級感に合わせて @Audio 1 のオーケストラ音楽を使ってください。
Seedance 2.0 のユースケースと実例
このセクションでは、業界別・難易度別に Seedance 2.0 の活用例を示します。各業界について、基礎・中級・上級の例を用意し、段階的に技術が身につくようにしています。
広告・コマーシャル制作
基礎: 単一商品の静的ショーケース
シナリオ: EC 向けのシンプルな商品表示
@Image 1 のスマートウォッチを、@Image 2 の白背景の中央に配置して見せてください。カメラは商品の周りを 360度ゆっくり一周し、距離は終始一定に保ちます。ライティングはクリーンで明るく、きつい影はありません。 ショットの終盤で時計の文字盤が点灯し、時刻表示が現れます。@Audio 1 の控えめなアンビエント電子音楽を 使ってください。字幕は入れないでください。ウォーターマークは生成しないでください。
複雑さのレベル: 画像リファレンス1点、カメラの動き1つ、イベント1つ
中級: 多角度からの製品デモ
シナリオ: 複数の機能を見せるテック製品のデモ
コンテキスト: クリーンなスタジオ。ライティングのリファレンスは @Image 1 で、ミニマルな背景に対する 柔らかく均一な光です。リファレンス: @Image 2(ワイヤレスイヤホンの正面図)、@Image 3(側面図)、 @Image 4(充電ケース、開いた状態)。背景音楽は @Audio 1。ショット1: 開いたケースを真上から見下ろす ショット。蓋がひとりでに閉じます。<心地よいカチッという音。> ショット2: 正面斜め45度のアングル。 ケースが開き、イヤホンがわずかに浮き上がります。<柔らかなウーッという音。> ショット3: カメラが 寄っていき、イヤホンが1つ浮き上がって、あらゆる面が見えるようにゆっくり回転します。ショット4: ケースの LED インジケーターのクローズアップ。充電中を示して脈打ちます。全編: (@Audio 1 のアップビートな音楽)。 スタイル: 高精細、クリーンな広告仕上げ、自然な色。字幕は入れないでください。ロゴやウォーターマークは 生成しないでください。
複雑さのレベル: 複数画像、複数ショット、多様なカメラアングル、音声との同期
上級: シーン遷移を含むフル広告
シナリオ: 複数の場所で商品を使う様子を見せる15秒のライフスタイル広告
コンテキスト: @Image 1 と @Image 2(2アングル)のワイヤレスヘッドホンのライフスタイル広告。 リファレンス: @Image 3 の若手プロフェッショナルを Commuter として定義します(顔のクローズアップ写真)。 @Image 4 は街路、@Image 5 はジム。ジムでのダイナミックなカメラスタイルは @Video 1。全体を牽引する 音楽は @Audio 1。ショット1: カメラは Commuter の横をミディアムの距離で追い、彼女は @Image 1 の ヘッドホンを着けて混雑した街路を歩きます。<街の騒音、濃く、近い。> 彼女がイヤーカップに触れると、 街の騒音がすっと消え、音楽だけが残ります。ショット2: ビートに合わせてカット。彼女は明るいホーム オフィスの机でヘッドホンを着け、ビデオ通話をしています。カメラはイヤーカップとそのインジケーター ライトのクローズアップへ寄ります。<音楽の下で柔らかなキーボードのタイプ音。> ショット3: ビートに 合わせて @Image 5 のジムへカット。彼女は激しくトレーニングし、ヘッドホンはずれません。カメラは @Video 1 のスタイルに沿ってエネルギーとともに動き、その後ワイドショットへ引きます。全編: (@Audio 1 の 音楽が3つの場所すべてを貫きます)。スタイル: 21:9、@Image 1 のクールでモダンな色調に合わせた プロフェッショナルなカラーグレーディング、高精細。カットはビートに合わせます。ロゴやウォーターマークは 生成しないでください。
複雑さのレベル: 画像5点、動画1点、音声1点。重ねた音声、3つのロケーション、プロフェッショナルな撮影表現。
この例は推奨されるアセット数の上限に位置しており、ホームオフィスは専用のリファレンス画像ではなく言葉で説明しています。これは意図的なトレードオフです。3ロケーションの広告は、あらゆるものの写真をアップロードしたくなる誘惑が最も強い場面であり、そして実際にそうすると被写体がぼやけ始める場面でもあります。
ソーシャルメディア向けコンテンツ制作
基礎: トレンド系のクイックカット動画
シナリオ: 人気の遷移エフェクトを使ったシンプルなソーシャル向けコンテンツ
@Image 1 の女性を被写体1として定義します。被写体1は、@Image 2 の明るい背景の前でフレーム中央に 立っています。ショット1: 彼女が素早い仕草で片手を上げます。その仕草に合わせて、同じ位置・同じ ポーズのまま @Image 3 の衣装を着た被写体1へジャンプカットします。ショット2: もう一度手の仕草があり、 同じ位置のまま @Image 4 の衣装へジャンプカット。ショット3: 彼女は最後のポーズを保ち、微笑みます。 全編: (@Audio 1 のアップビートな音楽)。すべてのカットはビート上に落ちます。3つの衣装すべてで彼女の 顔は同一のままです。字幕は入れないでください。
複雑さのレベル: 複数の画像リファレンス、ビート同期、シンプルな遷移エフェクト
中級: 複数ロケーションのストーリーシーケンス
シナリオ: 1日の密着ドキュメント風のブログコンテンツ
コンテキスト: 「1日の過ごし方」のモンタージュ。リファレンス: @Image 1 の女性を Creator として定義 します。@Image 2(朝のカフェ)、@Image 3(コワーキングスペース)、@Image 4(屋外の公園)。手持ち カメラの動きのスタイルは @Video 1。背景音楽は @Audio 1。ショット1: @Image 2 のカフェ。Creator が 入店し、カウンターで注文し、コーヒーを手にカメラの方を向きます。@Video 1 の手持ちスタイルで。 <音楽の下で低いカフェのざわめき。> ショット2: @Image 3 のコワーキングスペース。彼女はノート パソコンで作業し、タイプしてから顔を上げてカメラに微笑みます。<キーボードのタイプ音。> ショット3: ノートパソコンの画面のクローズアップ。ショット4: @Image 4 の公園、ゴールデンアワー。 彼女はベンチに座り、ノートパソコンを閉じ、立ち上がり、両腕を頭上に伸ばして、カメラに向かって歩いて きます。<鳥のさえずりと軽い風。> 全編: (@Audio 1 のアップビートなブログ音楽)。スタイル: @Video 1 の動きに沿った手持ちのブログ風ルック、ミディアムショットとクローズアップを混ぜ、ビートに 合わせてロケーション間をカットします。高精細、暖かく自然な色。字幕は入れないでください。
複雑さのレベル: 複数ロケーション、手持ちスタイルのリファレンス、音声の重ね、人物の個性が主役のコンテンツ
上級: バイラル系の複雑なビジュアルエフェクト
シナリオ: トレンドのエフェクトを使った、制作品質の高いソーシャル向けコンテンツ
コンテキスト: @Image 4 の都市背景を舞台にした変身動画。リファレンス: @Image 1 の女性を Dancer として 定義します。@Image 2(開始時の衣装、カジュアルなストリートウェア)、@Image 3(終了時の衣装、 パフォーマンス用コスチューム)、@Video 1(腕の動きとスピンの振付)、@Video 2(パーティクル エフェクトのスタイル)、@Audio 1(音楽)。ショット1: カメラが Dancer の周りをゆっくり回ります。 彼女は @Image 2 のストリートウェアで静止しています。ショット2: 彼女が @Video 1 の動きで両腕を 上げます。腕が上がりきる瞬間、映像がデジタルノイズでグリッチします。<硬いグリッチ音。> ショット3: @Video 2 に合ったパーティクルエフェクトが地面から噴き上がり、彼女の周りを渦巻きます。 カメラは回転を続けます。<立ち上がるウーッという音。> ショット4: 閃光。それが消えると、彼女は @Image 3 のパフォーマンス用コスチュームを着てスピンの途中にあり、@Video 1 の振付に従っています。 ショット5: 彼女はスピンを終え、ポーズを決めて静止します。カメラは正面に落ち着きます。背後の環境は 今や @Image 5 のステージです。<着地の衝撃音。> 全編: (@Audio 1 のハイエナジーな音楽が クライマックスへ高まります)。スタイル: ハイコントラスト、彩度の高い色、ビートに同期したエフェクト、 高精細。変身の前後で彼女の顔は同一のままです。字幕は入れないでください。
複雑さのレベル: 複雑なリファレンス多数、正確な振付の再現、特殊効果の再現、高度な音声同期、トレンドスタイルの取り込み
映画・エンタメ制作
基礎: 雰囲気のある状況説明ショット
シナリオ: 物語コンテンツの舞台を提示するショット
@Image 1 の廃屋敷を夜に捉えた、映画的な状況説明ショット。シングルショット: カメラは建物全体と 荒れた敷地をワイドで捉えるところから始まり、正面玄関に向かってゆっくり寄っていきます。ひと続きの 動きで、カットはありません。暗く重い空気、雲間から差す月光。2階の1つの窓を除き、すべての窓は 暗く、その窓ではかすかな光が揺らめいています。<木々を抜ける風。> 全編: (@Audio 1 の不吉な アンビエント音)。スタイル: 映画的、高精細、深い影、冷たい月光。字幕は入れないでください。
複雑さのレベル: 画像1点、基本的なカメラの動き、雰囲気づくり
中級: ショット・リバースショットの会話シーン
シナリオ: プロの撮影構成による2人の会話
コンテキスト: @Image 1 の殺風景な環境の取調室。頭上のライト1灯、金属のテーブル、椅子2脚。 リファレンス: @Image 2 の厳しい表情の中年男性を Detective として定義します。@Image 3 の若い男性を Suspect として定義します。ショット・リバースショットのカメラのリズムは @Video 1。緊迫した アンビエント音楽は @Audio 1。ショット1: テーブルに着いた2人のワイドショット。Detective は手を組んで 前傾します。Suspect は目を合わせず、指で卓上を叩いています。<金属の椅子がきしむ。> ショット2: やや低いアングルで Detective のミディアムクローズアップへカット。まばたきもせず、彼は 言います {あの夜、お前がそこにいたのは分かっている。} ショット3: やや高いアングルで Suspect のミディアムクローズアップへカット。視線が泳ぎ、それから彼は落ち着きを取り戻します。 {何の話か分かりません。} ショット4: ワイドショットへ戻ります。Detective は1枚の写真を テーブルの上で滑らせます。Suspect の目が見開かれます。Detective は背をもたせかけます。全編: (@Audio 1 の緊迫した音楽、控えめに)と部屋の空気音。<写真が金属の上を滑る音。> スタイル: 硬く劇的な光、高精細、映画的。顔は一貫させ、崩れさせないでください。字幕は入れないでください。
複雑さのレベル: 人物画像2点、特定のカメラ技法のリファレンス、会話のテンポ、心理的な緊張
上級: 複雑な振付を伴うアクションシーン
シナリオ: 特定の武術の振付を用いた格闘シーン
コンテキスト: 夕暮れの屋上。環境は @Image 1 から。空調設備、遠くのスカイライン、強いオレンジの空。 リファレンス: @Image 2 の格闘家を Hero として定義します(顔のクローズアップ写真)。衣装は @Image 3。 @Image 4 の3人の相手を Opponents として定義します。格闘の振付は @Video 1。回避、回し蹴り、組み技です。 カメラのスタイルは @Video 2。アクションの周りを回り込み、インパクトでカットします。音楽は @Audio 1。 ショット1: ワイドショット。Opponents が Hero を取り囲みます。カメラはその集団をゆっくり回り込みます。 風が衣服を揺らします。ショット2: Hero の顔のクローズアップ。顎を引き締め、呼吸は安定しています。 ショット3: 1人目の相手が突進します。Hero は @Video 1 の動きに合わせて右へ回避します。ショット4: Hero は @Video 1 の回し蹴りを繰り出し、命中させます。カメラはミディアムショットで蹴りを追います。 <重いインパクト音。> ショット5: 2人目の相手が距離を詰めます。Hero は組みつきます。掴み、 踏み込み、投げ。@Video 1 の通りです。カメラは @Video 2 のスタイルでアクションの周りを回ります。 ショット6: 3人目の相手が振りかぶります。Hero はスローモーションでその下をくぐります。ショット7: Hero が立ち、Opponents は彼の周りで地に伏しています。カメラはクローズアップへ寄り、背後の夕日が 彼をシルエットにします。全編: (@Audio 1 の音楽がクライマックスへ高まります)、<屋上を渡る風、 布の動き、荒い呼吸>。スタイル: 暖かい夕暮れの色調、ハイコントラスト、映画的、高精細。身体は 解剖学的に安定させ、手足を崩さないでください。字幕は入れないでください。
複雑さのレベル: 画像リファレンス4点、動画リファレンス2点(振付とカメラスタイル)、音声リファレンス、複雑なアクション振付、スローモーション。
ここは期待値を正直に設定してください。 速く衝撃の強いアクションは、このモデルに要求できる最も難しいものであり、手足が崩れ、物理法則が破綻しやすい領域です。だからこそこのプロンプトは、蹴りを言葉で説明しようとせず、振付のリファレンス動画に頼っています。動きは説明するより見せるほうがはるかに確実です。それでも、これは何度か生成し直すつもりでいてください。あるショットが失敗し続けるなら、直し方はたいてい、形容詞を足すことではなく、アクションを遅くするか2つのショットに分けることです。
プロフェッショナルなワークフローへの応用
プロジェクト継続のための動画の延長
シナリオ: すでに撮影済みの映像に内容を足して延長する
既存の動画: CEO がモダンなオフィスを歩き、会議室のドアの前で終わる8秒のショット
@Video 1 の後に続く内容を生成してください。動画の終わりにいる CEO が会議室のドアを開けて入ります。 室内の会議室は @Image 1 のデザインに一致します。大きなテーブル、街並みが見える床から天井までの窓。 @Image 2、@Image 3、@Image 4 の3人の役員がすでに着席しており、CEO が入ってくると顔を上げます。 CEO はテーブルの上座まで歩き、腰を下ろします。カメラは滑らかなトラッキングショットで CEO を追って 戸口を抜け、CEO が着席したらワイドショットへ切り替えて会議室全体を見せます。@Video 1 と同じ プロフェッショナルなカラーグレーディングとライティングのスタイルを維持してください。
ユースケース: 撮り直しなしで既存のプロフェッショナル映像アセットに内容を足す
テンプレートに基づく大量コンテンツ制作
シナリオ: 一貫したスタイルで複数のソーシャル動画を作る
マスターテンプレートのプロンプト (Video 1):
[@Image 1 の商品]を @Image 2 の白背景の前に置いた商品ショーケース。ショット1: カメラが商品の周りを 360度一周します。ショット2: 商品の横にグラフィックの吹き出しが現れ、主要な特長を示します。 ショット3: @Image 3 のロゴがフレーム中央に結ばれます。全編: (@Audio 1 の音楽)。スタイル: クリーンな 広告仕上げ、高精細、柔らかく均一な光。ウォーターマークは生成しないでください。
バリエーション用プロンプト: ブランドの一貫性のために @Image 2、@Image 3、@Audio 1 は維持したまま、@Image 1 だけを別の商品に差し替えます
ユースケース: 商品カタログ向けのスケーラブルなコンテンツ制作。複数のアセットにまたがってブランドの同一性を保てます
多言語への展開
シナリオ: 同じ広告の地域別バリエーションを作る
ベースとなるプロンプト:
@Video 1 の30秒広告の構成を使います。ナレーションを、@Audio 1 のトーンとテンポに合わせた[言語]の 音声に置き換えてください。@Image 1 の人物は同じままです。画面上のテキストは、@Video 1 のタイミングに 合わせた[言語]版に変わります。
ユースケース: 一貫したビジュアルブランディングを保ちつつ、現地版が必要な国際マーケティングキャンペーン
Seedance 2.0 のベストプラクティス
CRAFTS プロンプトフレームワーク（詳細）
Seedance 2.0 でプロ品質の結果を出すには、構造化されたプロンプト設計が必要です。CRAFTS フレームワークは、重要な要素をもれなく指定するための体系的な手順を提供します。
C（Context・コンテキスト）: シーンと環境を決める
アクションがいつ、どこで起きるのかを定義します。含める要素は次のとおりです。
- 物理的な場所とセッティング
- 時間帯、または時代設定
- 大気の状態（天候、光の質）
- 全体のムードとトーン
- 物語にとって意味のある環境のディテール
例： 「深夜2時の地下ナイトクラブ。@Image 1 の重く沈んだ雰囲気に合わせる。スモークマシンによる霞んだ空気、バーの光に照らされた低い天井、背景には人で埋まったダンスフロア。」
R（Reference・リファレンス）: 被写体を定義し、@ メンションと正確な用途を指定する
マルチモーダルの力が発揮される部分です。まず被写体に名前を与え、各リファレンスが何を担うのかを明示します。
- 各被写体を2〜3個の安定した特徴で定義し、そのラベルを毎回使い回す
- @ メンションをはっきり書く
- そのリファレンスのどの側面を使うのかを正確に指定する
- リファレンスに複数の要素が含まれる場合、使わない要素も明示する
- 最も正確さが求められるアセットを先頭に置く
例： 「@Image 1 の坊主頭でレザージャケットを着た女性を Ada と定義する。@Image 1 は Ada の顔立ちと髪だけに使用し、衣装には使わない。@Image 2 はレザージャケットの衣装として使用。@Video 1 は歩くペースと自信のある足取りとして使用。@Audio 1 はエレクトロニックのバックグラウンド音楽として使用。」
A（Action・アクション）: 人物と物体の動きを記述する
シーンで何が起きるのか、つまり映像の動詞を書き出します。
- 人物の動きとジェスチャー
- 物体とのやり取り（持ち上げる、置く、投げる）
- 表情と感情のリアクション
- 複数の被写体どうしのやり取り
- 物理に基づく現象（落下、液体が注がれる、煙が立ち上る）
例： 「人物がフレーム左から登場し、@Video 1 の自信のある足取りで歩く。視線が一瞬だけ人混みを走り、画面外の誰かを捉える。かすかな笑みが浮かぶ。右手でジャケットの襟を直し、意志を持って人混みの中を進み始める。」
F（Framing・フレーミング）: カメラワークと撮影を定義する
正しい撮影用語でショットの構図を指定します。
- ショットの種類: ワイドショット、ミディアムショット、クローズアップ、エクストリームクローズアップ、オーバー・ザ・ショルダー、POV
- カメラの動き: ドリーイン/アウト、トラッキングショット、パン左/右、ティルトアップ/ダウン、クレーンアップ/ダウン、手持ち、ステディカム
- アングル: ローアングル、ハイアングル、アイレベル、ダッチアングル
- 特殊技法: ヒッチコックズーム、ウィップパン、ラックフォーカス、浅い被写界深度
例： 「ナイトクラブ全体を見せるワイドショットで開始。人物が入ってくると、カメラがそれを捉え、ミディアムショットで横についてトラッキングを始める。人物が立ち止まって人混みを見渡したら、ゆっくり寄ってミディアムクローズアップへ。人混み越しに見る人物の POV ショットにカット。笑みが浮かぶ顔のクローズアップに戻す。人物が人混みを進み始めたらトラッキングを再開し、カメラは背後から追う。」
T（Timeline・タイムライン）: ショットの順序を決め、テンポはモデルに任せる
シーケンスを、出来事が起きる順に番号付きのショットへ分解します。
- ショット1、ショット2、ショット3 とラベルを付け、重要なものから並べる
- 各ショットにはカメラの動き1つ、アクションの拍1つ、場所1つを与える
- そのショットの音は、そのショットの中に書く
- 各ショットに尺を割り当てない
正確なタイミングはこのモデルが最も苦手とする制御対象です。セグメントを秒数に固定すると、指定しない場合より結果が悪くなることがあります。出来事の順序だけを記述し、モデルに呼吸させてください。
例：「ショット1: クラブのワイドショット。Ada が入ってきて歩き始める。ショット2: 彼女が人混みを見渡す間、カメラがミディアムショットで横をトラッキングする。ショット3: かすかな笑みが浮かぶクローズアップ。ショット4: 彼女の POV で、人混み越しに見る。ショット5: 彼女が前へ進むのに合わせ、カメラが背後からトラッキングを再開する。全編: (@Audio 1 のエレクトロニック音楽を中程度の音量で)。」
S（Style and constraints・スタイルと制約）: ルックを固定し、アーティファクトを排除する
すべてのプロンプトを、仕上がりとガードレールで締めくくります。
- 画質: 「高精細、豊かなディテール、フィルム的な質感、柔らかい光」
- スタイル: リファレンス画像から推測できる場合でも、明示的に名指しする
- 制約: 「字幕なしにすること。」「ウォーターマークを生成しないこと。」「ロゴを生成しないこと。」
- 安定性: 「人物の顔は一貫を保ち、変形させない。動きは滑らかで、途切れやちらつきがない。」
CRAFTS の完全な例: 企業研修動画
コンテキスト: 朝のモダンな会議室。フレーム右の窓から自然光が入る。環境は @Image 1 の内装に合わせる。 ガラスの壁、現代的な家具、壁面のスクリーン。リファレンス: @Image 2 のネイビーのブレザーを着た女性を トレーナーと定義する。@Image 3 はテーブルを囲んで座る受講者グループとして使用。@Video 1 は説明中の トレーナーの手のジェスチャーと身体の使い方として使用。ショット1: 部屋の隅からの全体のワイドショット。 テーブルの上座にトレーナー、その周りに受講者がいることを示す。ショット2: 斜め前方からのトレーナーの ミディアムショット。スクリーンを指し示し、そのあと開いた笑顔でグループへ向き直る。ショット3: トレーナーの 背後からのオーバー・ザ・ショルダーで、聞き入る受講者を映す。ひとりが身を乗り出す。ショット4: トレーナーが テーブルの端まで歩き、目を合わせながら進むのに合わせてカメラが横をトラッキングする。ショット5: メモを取る 受講者のクローズアップ。<静かなキーボードの打鍵音。> ショット6: 上座に戻ったトレーナーの ミディアムショット。自信のあるジェスチャーで締めくくる。全編: (@Audio 1 の企業向けバックグラウンド音楽を 静かに、台詞の下で音量を下げて)。スタイル: 高精細な企業ドキュメンタリー調、温かみのあるニュートラルな色調、 柔らかい光。顔は一貫を保ち変形させない、動きは滑らか。字幕なしにすること。ロゴやウォーターマークを 生成しないこと。
入力素材の準備戦略
画像リファレンスの最適化
質の高い入力が質の高い出力を生みます。画像リファレンスは戦略的に準備してください。
キャラクターの一貫性のために:
- 正面から撮った、表情がニュートラルで背景の少ない、顔だけの顔のクローズアップ写真を使う
- 衣装と体のプロポーションのために全身写真を1枚追加する。必要なのはこの2枚だけ
- これ以上アングルを足さない。 正面・側面・斜めのターンアラウンドは同一性のブレを悪化させます。モデルが各アングルを別人として読むためです
- モデルを混乱させかねない強いフィルターやエフェクトは避ける
- 衣装が重要なら、ディテールの切り抜きを足すのではなく全身写真に担わせる
スタイルと質感のために:
- 求めるビジュアル処理がはっきり分かる画像を選ぶ
- カラーグレーディングが最終イメージと一致していることを確認する
- 望む照明の考え方が現れている画像を含める
- 質感とディテールの水準を考慮する。ディテールの多いリファレンスはディテールの多い出力を生む
製品と物体のために:
- 被写体が際立つよう、シンプルな背景で撮影する
- 正確な再現のために複数のアングルを見せる
- 重要なディテール（ロゴ、質感、特徴的な部分）のクローズアップを含める
- 形状と立体感がはっきり分かる照明にする
動画リファレンスの最適化
カメラの動きのために:
- 再現したいカメラの動きだけが映るように動画をトリミングする
- 動きがはっきり見え、アクションに隠れていないことを確認する
- 複数の技法が混ざった長いクリップより、1つの技法に絞った短いクリップ（3〜5秒）のほうが有効
- 入手できる最高品質の動画を使う。圧縮ノイズは理解の精度に影響する
動きと振付のために:
- アクションが遮られずにはっきり見えること
- 体の位置と動きが十分に分かる照明であること
- 同じアクションを複数アングルで用意できるなら役立つ
- リファレンスクリップを作る際、速い動きはスローにすることを検討する
特殊効果のために:
- 再現したい効果だけを切り出す
- 効果が背景に対してはっきり見えることを確認する
- 効果に特定のタイミングがあるなら、そのタイミングもリファレンスに含める
音声リファレンスの最適化
音楽とリズムのために:
- 高品質な音声ファイルを使う（低ビットレートの圧縮音声は避ける）
- 最も関連するリズムやムードの区間に音声をトリミングする
- 求めているもの（ビート、テンポ、ムード）が音声からはっきり伝わるようにする
- 同期しやすいよう、強いビートから音声が始まるようにするとよい
声と台詞のために:
- 背景ノイズの少ないクリアな録音を使う
- 求めている声の特徴が前面に出ていることを確認する
- リファレンスクリップは短く、狙いの声質だけに絞る
4つか5つのアセットを選ぶ
合計ファイル数の上限はないので、画像を9枚アップロードすることも技術的には可能です。だからこそ、節度は自分で持つ必要があります。何が枠に値するかは、次の基準で判断してください。
4つの機能的な役割。 完成したブリーフには通常、それぞれ1つずつあれば足ります。
- キャラクターの固定（画像1〜2枚）: 被写体が誰なのかを固定する
- シーンのトーン設定（画像1枚）: 環境とスタイルを固定する
- カメラの動き（動画1本）: ショットの語法とリズムを固定する
- リズムと空気感（音声1本）: 感情と音色を固定する
残りを削るための4つの問い:
- このリファレンスを外したら、結果は本当に変わるか。変わらないなら削る。
- これはテキストで言えないか。環境、ムード、カラーグレードはたいてい言葉で足ります。顔、正確なカメラの動き、特定の振付はたいてい言葉になりません。言葉にしにくいものをアップロードし、それ以外は書いて伝えること。
- 別のアセットがすでにその役割を果たしていないか。同じ役割を2つのリファレンスが奪い合うのは、1つだけの場合より悪い結果になります。
- これは必須か、あれば嬉しい程度か。あれば嬉しい程度のものから削る。
判断の例
ミュージックビデオを作っていて、候補のリファレンスが15個あるとします。
- 画像4枚: アーティストを異なるアングルから撮ったもの
- 画像3枚: パフォーマンス会場
- 画像2枚: 照明のセットアップ
- 動画2本: ダンスの振付とカメラの動き
- 音声2本: 楽曲とアンビエントサウンド
- 画像2枚: 衣装のディテール
フレームワークを適用すると:
- 残す（キャラクターの固定）: アーティストの顔のクローズアップ写真1枚と全身写真1枚。4アングルのセットは使いません。多アングルのシートは、モデルに「複数の別人が写っている」と思わせる最も確実な方法です
- 残す（シーン）: 最も代表的な会場画像1枚
- 残す（カメラ）: 動画1本。振付とカメラの動きのどちらを残すかは、言葉で書き表せないほうを基準に選ぶ
- 残す（リズム）: 楽曲
- テキストで記述する: 照明のセットアップ2つ、衣装のディテール、アンビエント音声、残り2枚の会場画像
結果: アセット5個。 残る10個の情報もモデルには届きます。ファイルではなく言葉として届くだけで、それが本来あるべき場所です。
複数ショットのプロジェクトにおける一貫性のテクニック
生成をまたいだキャラクターの一貫性
複数の動画生成をまたいで同じ人物の見た目を保つには、リファレンスの体系的な管理が必要です。
顔のクローズアップ写真と全身写真。それだけです。
これはこのモデルで最も直感に反するルールで、間違えると、まさに解決したかった問題が起きます。
つい、正面・側面・斜め・背面のキャラクターターンアラウンドを渡したくなります。やめてください。 Seedance 2.0 は多視点のシートを複数の別人として読むことが頻繁にあります。それは同一性のブレを悪化させ、同じフレームに人物のコピーが2体現れる「双子バグ」の主要な原因になります。
有効なのは、役割をはっきり分けた画像2枚です。
- 顔だけの顔のクローズアップ写真。 頭部のみ、表情はニュートラル、肩や首、背景は最小限に。モデルが同一性の判断に頼るのはこの画像なので、顔がフレームを占めている必要があります。情報量の多い全身写真の中で顔が小さな領域にとどまると、モデルはそこを軽く扱い、周囲の雑多な要素が混ざり込みます。
- 全身写真。スタイリング、衣装、プロポーションのために使います。
そのうえで、プロンプト内で役割を明示的に分け、顔を先に置きます。
@Image 1 の女性を Subject 1 と定義する。Subject 1 の顔立ちは @Image 1（顔のクローズアップ写真）を 参照する。服装とスタイリングは @Image 2（全身写真）を参照する。
これが当てはまるのは顔だという点に注意してください。製品や物体については複数アングルが実際に役立つので、用意すべきです。
リファレンス混在の失敗: 顔、ポーズ、服装、ディテールの切り抜きを1枚に詰め込んだ合成画像をモデルに渡してはいけません。顔が占めるピクセルはごく一部になり、モデルの注意もそれに応じてわずかしか向かず、同一性がブレます。
それでも人物がブレてしまう場合、知っておくべき副作用があります。ブレた顔が実在の著名人に似た方向へ寄っていくことがあり、有名人を求めていなくても審査で生成がブロックされることがあります。つまり同一性のブレは品質の問題にとどまりません。一見きれいなプロンプトが拒否されて返ってくる、静かな原因の1つです。拒否側の詳細は Seedance 2.0 のプロンプトがフラグされる場合 のガイドで扱っています。
一貫したラベルを保つ すべてのプロンプトで人物に同じ名前を使い、「@Image [X] の見た目を正確に維持する」と指定します。
@Image 1 の刑事を登場させる（このリファレンスの顔立ち、髪型、服装を正確に維持すること）。このシーンでは、 刑事が @Image 2 の倉庫に入る。刑事の身体的特徴はすべて @Image 1 と正確に一致すること。同じ顔、同じコート、 同じ体格。
シーンをまたいだスタイルの一貫性
一貫したビジュアル処理で複数ショットが必要なプロジェクトの場合。
テクニック1: スタイルリファレンスのテンプレート 求めるビジュアルスタイルを完璧に体現している画像を1枚選びます。
- カラーグレーディング
- 照明の考え方
- 構図のスタイル
- 質感とディテールの水準
同じスタイルリファレンスを、すべての生成プロンプトに含めます。
全編を通じて @Image 1 のビジュアルスタイルを維持する。重く沈んだブルーのカラーグレーディング、 ハイコントラストの照明、フィルムグレインの質感、浅い被写界深度。
テクニック2: 前の出力をリファレンスにする うまくいった過去の生成結果を、後続ショットのリファレンスとして使います。
@Video 1（私の前回の生成結果）のビジュアルスタイルを正確に維持したまま、次のシーンを作る。 カラーグレーディング、照明の考え方、全体の質感が正確に一致すること。
連続するショットの時間的な連続性
連続してつながるショットを作る場合。
テクニック1: 重なりの記述 新しいショットが前のショットにどうつながるかを記述します。
このショットは @Video 1 が終わった地点から正確に続く。@Video 1 の最後でドアの方を向いていた人物が、 ここでカメラの方へ振り向き、話し始める。位置と照明は @Video 1 の最終フレームと一致すること。
テクニック2: 遷移の指定 接続点をはっきり書きます。
陥りやすい落とし穴
落とし穴1: リファレンスの用途が曖昧
問題: どの側面を参照するか指定せずに「リファレンスとして @Image 1」とだけ書く
解決: リファレンスが何を提供するのかを必ず明記する。「@Image 1 は人物の顔立ちと表情に使用し、背景や照明には使わない」
落とし穴2: 矛盾する指示
問題: 「テンポの速いアクションシーンを、ゆっくりした思索的なカメラの動きと穏やかなアンビエント音楽で」
解決: すべての要素を揃える。アクションのテンポ、カメラのエネルギー、音楽のテンポ、編集のリズムを、1つの目標へ向けて一致させる
落とし穴3: プロンプトの複雑化
問題: ほとんど差のないリファレンスを何十個もアップロードし、矛盾したディテールだらけの500語のプロンプトを書く。ByteDance の指針はこの点について率直です。台本をまるごとモデルに渡してはいけない、アセット枠を使い切ってはいけない、と述べています
解決: 数を絞った影響力の大きいリファレンスを、CRAFTS フレームワークに沿った明確で構造化されたプロンプトとともに使う
落とし穴4: 尺の制約を無視する
問題: 30秒分の細かいアクションを15秒の生成に詰め込もうとする
解決: 複雑なシーケンスは複数回の生成に分割するか、アクションを簡略化して尺に収める
落とし穴5: カメラワークの指定不足
問題: 方向を指定せずに「カメラが動き回る」とだけ書く
解決: 正確な撮影用語を使う。「カメラは5秒かけてワイドショットからミディアムクローズアップまでドリーインし、アイレベルの視点を保つ」
落とし穴6: 音の統合を軽視する
問題: 音声を後回しにする、あるいは「音楽を追加」としか書かない
解決: 音声が何のためにあるのかを述べ、その音が属するショットの中に書く。「(全編を通じて @Audio 1 の推進力あるリズム)。すべてのカットがビートに合う。」
落とし穴7: リファレンス品質のばらつき
問題: 高解像度のプロ写真と低品質の圧縮画像を混ぜる
解決: すべてのリファレンスで品質を揃える。品質の低いリファレンス1枚が生成全体を損なわないようにする
落とし穴8: モデルの推測に頼る
問題: 「いい感じにして」「言いたいことは分かるよね」
解決: 重要なディテールはすべて明示する。モデルは指示を実行するのであって、曖昧な意図を汲み取るわけではありません
簡易トラブルシューティングガイド
問題: 生成のたびに人物の見た目が変わる 解決: 各プロンプトで同一のキャラクターリファレンス画像を使い、「@Image X の見た目を正確に維持する」と明示的に書く
問題: カメラの動きがリファレンスと一致しない 解決: カメラの動きの記述をテキストでより具体的にし、複雑な動きは段階に分解する
問題: スタイルがリファレンスと一致しない 解決: リファレンスと併せて、具体的なスタイル要素をテキストで記述する。「@Image 1 のカラーグレーディングに合わせる。彩度を落としたブルー、ハイコントラスト、締まったブラック」
問題: タイミングがしっくりこない 解決: タイムコードを足したくなる衝動をこらえてください。かえって悪化しがちです。1つのクリップで求めるショット数を減らし、重要な拍には専用のショットを与えましょう。
問題: 音声がムードに合わない 解決: ファイルを指すだけでなく、音声の役割を明示的に記述する。「@Audio 1」ではなく「(@Audio 1 の、緊張感を高めていくサスペンス)」と書く。
問題: 声がリファレンス音声のように聞こえない 解決: 音声リファレンスだけでは音色の再現は不十分です。参照するだけでなく、声を言葉でも記述してください。「@Audio 1 の低く温かみのある、わずかにざらついた中年男性の声で次のように話す…」。書いた台詞のトーンをリファレンス録音に近づけることも効果があります。
問題: 同じフレームに人物のコピーが2体現れる 解決: 「双子バグ」です。多視点のキャラクターシートの使用をやめ、1人だけが写ったリファレンス写真を使い、各人物に名前を付けて画像と対応づけ（「Ada（@Image 1）が Ben（@Image 2）に書類を渡す」）、締めの制約を加えます。「動画全編を通じて、重複した人物や双子効果を生成しないこと。各人物はフレーム内に1人だけ保つこと。」
問題: 頼んでいない字幕やウォーターマークが出る 解決: 制約ワードの行を加え（「字幕なしにすること」「ウォーターマークを生成しないこと」）、アップロード前にリファレンス素材から文字を取り除き、可能なら横位置で生成します。余計な字幕は縦位置よりも横位置のほうが明らかに少ないためです。
問題: アニメ調のスタイルが実写に戻ってしまった 解決: 写実的なリファレンス画像は、明示しない限り出力を写実方向へ引っ張ります。プロンプトでスタイルを明示的に名指しするか（「2Dの日本のアニメーションスタイル」）、生成前にリファレンス画像を目標のスタイルへ変換してください。
問題: 記述したエフェクトが崩れる（カウントダウンの数字が乱れるなど） 解決: エフェクトを言葉で説明するのをやめ、見せてください。そのエフェクトのリファレンス動画を入力し、それを指し示します。「数字の現れ方は @Video 1 に従うこと。」動きのロジックは、モデルがテキストよりも映像からはるかによく読み取れるものの1つです。
問題: 動画の最後にクリック音や不自然な切れる音が入る 解決: ナレーション入りのクリップで知られたアーティファクトです。生成し直すか、編集ソフトで音声トラックの末尾に短いボリュームフェードをかけて修正します。20秒で済む作業なので、生成枠を1回消費する価値はありません。
問題: 映像が飛んだり伸びたりし、リファレンス写真が歪んで見える 解決: たいていはアスペクト比の不一致です。リファレンス画像の比率が、選択した出力比率と合っていないと、モデルは無理に合わせ込むことになります。アップロード前に画像を目標の比率にトリミングするか、出力を可変比率に設定してリファレンスに追従させてください。リファレンス画像は 0.4 から 2.5 のアスペクト比、各辺 300 から 6000px の範囲に収まる必要もあります。
まとめ
Seedance 2.0 は、包括的なマルチモーダル対応によって、AI動画生成を根本から前進させたモデルです。画像、動画、音声、テキストをすべて入力として受け取れるため、制作の現場ではこれまでにない水準の制御が可能になります。テキストだけのプロンプトを離れ、実際に見せて伝える演出へ移行できます。
AI動画の中での Seedance 2.0 の位置づけ
マルチモーダル対応こそが、Seedance 2.0 を競合と分ける要素です。Kling、Veo、Sora もテキストから動画を生成する能力は高い一方で、Seedance は動画と音声のリファレンスを直接扱えるため、カメラワーク、動きのパターン、リズムの同期を正確に再現できます。これらは言葉での説明だけでは難しい、あるいは不可能な領域です。この点が、ビジュアルスタイル、キャラクターの一貫性、映像的な仕上がりを厳密に管理したいプロ層にとって、Seedance を第一候補にしています。
このプラットフォームは、機能強化と対応範囲の拡大を継続的に重ねています。マルチモーダルなリファレンス体系と CRAFTS プロンプト設計を身につけておけば、今後さらに高度な制作へ進むための土台になります。
要点
マルチモーダルな制御: Seedance 2.0 は画像、動画、音声、テキストを組み合わせられるため、言葉ですべてを説明しようとするのではなく、望む結果をそのままAIに示せます。この発想の転換によって、正確なカメラの動き、特定の振り付け、ビートに合わせた編集など、従来は指定が難しかった要素が素直に実現できます。
比較上の強み: Kling、Veo、Sora と比べると、Seedance 2.0 は音声の統合と動画リファレンスの深さで独自の強みを持ちます。音声ファイルを直接アップロードしてリファレンスにできるため、ムードの調整やビートの同期を精密に行えます。動画リファレンスはスタイルの転写にとどまらず、動きとカメラワークの再現にまで踏み込みます。
CRAFTS というプロの型: 6つの要素からなる CRAFTS の方法論（Context=コンテキスト、Reference=リファレンス、Action=アクション、Framing=フレーミング、Timeline=タイムライン、Style and constraints=スタイルと制約）は、完成したプロンプトが指定すべき事柄をすべて網羅します。多くの人が飛ばしがちな2つの要素こそが、生成の成否を決めます。参照する前に被写体を定義すること、そしてノイズを排除する制約でプロンプトを締めくくることです。
ショットは順序で並べる。秒数で刻まない: 秒単位のタイムコードを書きたくなる衝動こそ、Seedance の出力を悪化させる最大の原因です。ショットの順序だけを決め、テンポはモデルに任せてください。
量より抑制: 厳選した4〜5点のアセットは、12点の寄せ集めに勝ります。リファレンスを増やすほど、どの特徴を優先すべきかモデルが判断しにくくなり、特にキャラクターの多角度シートは同一性のぶれを積極的に招きます。
Morphic で利用可能: プロのクリエイターは Morphic から Seedance 2.0 ファミリー全体を使えます。安価に試行を重ねられる Fast と Mini、そして 4K の最終出力に使えるフル版 Seedance 2.0 が揃っています。
よくある質問
そのキャラクターが登場する生成では、必ず同じキャラクターのリファレンス画像を使ってください。プロンプトには 「@Image X の外見を厳密に維持する」と明記し、服装や表情など変化させたい点だけを記述したうえで、顔立ち、体格、 その他の識別につながる特徴は同一のままだと強調します。マスターとなるキャラクターのリファレンスには、明るく 鮮明な正面からの写真を使うと最も安定します。
望むカメラワークが写った動画をアップロードし、用途を絞って指定します。「@Video 1 はカメラの動きのみに使用」。 テキストのプロンプトでは、撮影用語で動きを記述してください（ドリーイン、トラッキングショット、クレーンアップなど）。 複雑な動きは、タイムコードで分けるのではなくショットに分けます。「ショット1: ワイドからミディアムへドリーイン。 ショット2: 距離を保ったまま右へパン」。1つのショットにはカメラの動きを1つだけにしてください。プッシュ、オービット、 パンを1ショットに詰め込むのは、画を崩す最短の道です。
音楽トラックをアップロードし、秒数ではなくビートを基準に同期を記述してください。精密なタイムコードの扱いは 不安定だからです。たとえば「（@Audio 1 のアップテンポな音楽）。すべてのカットがビートに乗る」のように書き、 各カットを個別のショットとして記述します。「6秒地点で」よりも、ビート基準の指示のほうがはるかに安定して伝わります。
動画の延長機能かフュージョンの手法を使います。延長の場合は、既存の動画をアップロードして「@Video 1 の続きを生成する」 と指示し、つながる動作を記述します。長さはプロンプトではなく生成設定で指定してください。フュージョンの場合は、 一方のクリップの終わりと他方の始まりを参照する橋渡しのセグメントを作り、両者をつなぐ動作を明示的に記述します。
期待するほど直接的には制御できません。ここはこのモデルで最も弱い操作面です。精密なタイムコード（「0〜3秒: [動作]」） は不安定で、区間に正確な長さを強制すると、締まるどころか品質が落ちることがあります。代わりにショットを順に並べ （「ショット1: … ショット2: …」）、テンポはモデルに任せてください。動作が慌ただしく感じるなら、より細かい タイムコードを書くのではなく、クリップ内のショット数を減らす、その動作に専用のショットを与える、生成全体の長さを 伸ばす、といった対処が確実です。
上限より少なくです。ByteDance は4〜5点のアセットを推奨しています。キャラクター画像1〜2点、シーン画像1点、 カメラの動きの動画1点、音声クリップ1点です。それを超えると、どの特徴を優先すべきかモデルが判断しにくくなり、 スタイルの衝突、被写体の識別のあいまいさ、指示から外れた出力が生じます。目安としては、本当に言葉にしづらいもの （特定の顔、正確なカメラの動き、独特の振り付け）だけをアップロードし、それ以外はテキストのプロンプトに書きます。 なお、リファレンスに登場する人物が4人を超えると、安定性が急激に落ちる点にも注意してください。
目的の効果が写った動画をアップロードし、こう指定します。「@Video 1 はパーティクル効果の技法のみに使用」。 テキストのプロンプトでは、効果を詳しく記述してください。いつ発生するか、どう動くか、見た目の特徴は何か。 効果がはっきり見え、他と混ざっていないリファレンスクリップを使うと最も安定します。「@Video 1 の、地面から立ち上がり 頭の高さで拡散していく光るパーティクルの渦を参照する」。
望む声が入った音声または動画のリファレンスをアップロードし、こう指定します。「@Audio 1 は声の音色と話し方に使用」。 プロンプトでは声の特徴を記述してください。「キャラクターは @Audio 1 の低く威厳のある声で、次のセリフを話す: [セリフのテキスト]」。
一連の生成すべてで、リファレンス素材を統一してください。同じスタイルのリファレンス画像、同じキャラクターの リファレンスを使い、プロンプトも必要な差分だけを変えます。うまくいった過去の出力への参照も加えます。 「@Video 1（前回の生成）のビジュアルスタイルを維持する」と書けば、連続性を確保できます。
動画の延長を使います。最初のセグメントを生成し、それをアップロードして「@Video 1 の続きを生成する」と指示し、 次に何が起きるかを記述します。延長は連鎖できますが、鎖は短く保ってください。1回ごとに画質が劣化し、その損傷は 積み重なり、まず顔のまだらな色ムラとして現れます。継ぎ目には目に見える跳びも出るので、編集ソフトで、出ていく クリップの末尾から6フレームほど、入ってくるクリップの先頭から1フレームを切り落として直します。長尺やテンポの速い 作品では、別々のクリップを生成してつなぐほうが、長い延長の連鎖より結果が良くなるのが普通です。
Seedance 2.0 の最大の差別化点は、音声ファイルの直接アップロードを含む包括的なマルチモーダル入力と、動画リファレンス および編集機能の深さです。どちらのモデルもマルチモーダル入力に対応するため、違いは何を添付できるかよりも、 アップロードしたクリップをモデルがどう扱うかにあります。Seedance はクリップの内部を編集し、前後どちらにも延長し、 複数のクリップをつなぎ合わせます。スタイルを真似るだけではありません。これは、すでに素材があり承認も済んでいる 案件で最も効いてきます。
Seedance 2.0 は音声ファイルを直接アップロードでき、そこから3つの異なる要素を取り出します。音色、メロディ、 そしてセリフの内容です。つまり、実際の音楽トラックや、使いたい声の録音そのものを渡せます。言葉で説明する必要は ありません。Veo と Sora は、リファレンス音声を受け取るのではなく、テキストの記述から音声を生成します。 正直な注意点を1つ。音声リファレンスだけでは、声の再現は物足りなくなりがちです。音色はテキストでも記述してください。 たとえば「@Audio 1 の、低く温かく、わずかにざらついた中年男性の声を使う」のように書きます。
Seedance 2.0 と Kling 3.0 は、どちらも1回の生成で最大15秒です。Sora はさらに長く、最大60秒まで対応します。 ただ実務では、この上限は聞こえるほど重要ではありません。商業案件やソーシャル向けの多くは、1本の長回しではなく、 短くて質の高いクリップを何本もつないで作るからです。Seedance が抜きん出るのは、クリップができた後です。 前後どちらにも延長でき、内部を編集でき、複数のクリップをつなげます。これは1回の生成が長いこととは別種の「長さ」です。
Seedance 2.0 のマルチモーダルな手法は、スタイル再現においてより直接的な制御を与えます。複数のリファレンス画像、 そのスタイルが動いている動画クリップ、ムードを決める音声をアップロードできるからです。スタイルをテキストで説明する 代わりに、複数の角度から実例を見せることになります。テキストだけの手法と比べると、複雑なスタイルをより忠実に 再現できるのが一般的です。
Seedance 2.0 の画像リファレンス機能は、プロンプト間で一貫したキャラクター画像を正しく使えば、強いキャラクターの 一貫性を発揮します。この能力は Kling のキャラクター一貫性機能に匹敵し、Veo や Sora のテキストベースの キャラクター記述よりも制御しやすいものです。鍵になるのは、高品質なキャラクターのリファレンス画像を使い、 毎回の生成で「@Image X の外見を厳密に維持する」と明示することです。
商業案件で決め手になるのは、生の生成品質よりも制御であることが多く、そこにこそ Seedance 2.0 のリファレンス機能の 価値があります。正確な商品カット、正確な音楽トラック、正確なカメラの動きが写ったクリップをそのままアップロードでき、 クライアントが3つとも承認済みという状況で効いてきます。Seedance は既存素材の編集と延長もできるので、承認された素材を 作り直さずに再利用できます。Veo はプロンプト追従と長尺の延長に強く、ブリーフが緩く、ブランドの厳密な一致より長さが 重要な場面では、依然として妥当な選択肢です。
そもそも役割が違います。Sora は最大60秒までの長い1テイクを生成でき、テキストだけから物理挙動や複雑なシーンを 推し量るのが得意です。Seedance 2.0 は1回の生成が15秒までですが、Sora にはない制御を与えてくれます。音声の直接 アップロード、動きとカメラの再現のための動画リファレンス、複数のビジュアルリファレンスの同時使用、そして手元の 素材を編集・延長する機能です。プロンプトが説明文の一段落なら Sora は魅力的です。素材があり、狙う結果が具体的に 決まっているなら、Seedance のリファレンス機能のほうが制御しやすい道具です。
どちらもモーションのリファレンスに対応しますが、Seedance 2.0 の動画リファレンス機能はより深いところまで届きます。 Kling はモーションブラシと基本的なモーション転写を提供しますが、Seedance は動画クリップまるごとをアップロードでき、 動きの軌跡だけでなく、カメラワーク、編集のリズム、複雑な振り付けまでフレーム単位で再現します。格闘シーンやダンスの 一連を丸ごと見せれば、言葉で説明したりモーションパスを描いたりしなくても、その動きを正確に再現してくれます。
機能は共通で、違うのは品質とコストです。Seedance 2.0 は最も高品質で、3つのうち 4K を出力できる唯一のモデルです。 Seedance 2.0 Fast は品質をいくらか譲って速度とコストを取ります。Seedance 2.0 Mini は最も安価で、大量の試行に 向いています。Fast と Mini はどちらも上限が 720p です。実務的な進め方としては、Mini か Fast でプロンプトと リファレンスの挙動が固まるまで試行し、最終版をフル版の Seedance 2.0 で回します。
画像は JPG か PNG、動画は MP4 か MOV、音声は MP3 です。出力は MP4 で、4K は 10-bit の H.265 でエンコードされます。 ファイル自体は正常でも、ブラウザやプレイヤーによっては直接プレビューできないことがあります。手元にある中で最高品質の 素材を使ってください。リファレンスクリップの圧縮ノイズは、モデルがその動きを読み取る精度を実測できるほど下げます。
画像は最大 9 images、動画は 3 videos、音声は 3 audio です。動画クリップは1本あたり 2-15 seconds で、合計 15 秒まで。音声も同じです。種類をまたいだ合計の上限はないため、規約上の最大は15ファイルですが、そこに近づける必要は まったくありません。推奨の作業範囲は4〜5点です。1つだけ通らない組み合わせがあります。ビジュアルなしのテキストと音声、 および音声のみでは生成できません。
Seedance 2.0 は1回の生成で 4-15 seconds の動画を作ります。長さは1秒刻みで選べます。もっと長い内容が必要な場合は、 動画の延長機能で複数の生成を連鎖させるか、別々のセグメントを生成してポストプロダクションでつなぎます。
はい。Morphic 経由の Seedance 2.0 は商業制作に利用できます。具体的なライセンスと利用権は Morphic の利用規約に 従います。商業利用、クライアントワーク、クレジット表記の要否については、規約を確認してください。
1回の生成の中では保てます。クリップ全体で品質は維持されます。保てないのは、動画の延長を連鎖させたときです。 生成した動画を延長のために入力し直すたびに画は少しずつ劣化し、それが積み重なります。まず顔にまだらな色の斑点として 現れます。延長の連鎖は短く保ってください。
はい。Seedance 2.0 は 21:9、16:9、4:3、1:1、3:4、9:16 に対応し、生成設定で選べます。2.35:1 の選択肢はないため、 シネスコ調を狙うなら 21:9 を選んでください。実務上の注意を1つ。意図しない字幕が入り込む頻度は、縦位置より横位置の ほうが明らかに低いので、最終的に縦で使う作品でも、横で生成して切り出すほうが得な場合があります。
Seedance 2.0 は Morphic から利用できます。Morphic にアクセスし、アカウントを作成 するかログインして、動画生成の画面から Seedance 2.0 を選んでください。マルチモーダルな入力と @ によるリファレンス 機能は、Morphic のワークフローに組み込まれています。
はい。生成した動画はいくつもの使い方ができます。新しい生成のリファレンスとして（特定の要素を変えるため）、動画延長の 入力として（続きを足すため）、動画フュージョンのワークフローで（他のクリップとつなぐため）、あるいは書き出して一般的な 編集ソフトで通常どおり編集することもできます。生成した動画は、あなたのプロジェクトに合うやり方で自由に編集し、 組み合わせ、仕上げられます。