Seedance 2.0 のプロンプトが何度もフラグされる理由（そして対処法）

Seedance 2.0 の入力システムを理解する

まず、Seedance 2.0 が何を受け付けられるのか、そして多くの人がプロンプトを書く前の段階でどこでつまずくのかを押さえておくと役に立ちます。

• 画像: 最大 9 枚。冒頭フレーム、キャラクター参照、シーンの環境、スタイルの基準として使います。
• 動画クリップ: 最大 3 本、合計 15 seconds 以内。カメラの動きの参照、モーションの再現、あるいは延長・編集の元素材として使います。
• 音声ファイル: 最大 3 つ、合計 15 seconds 以内。BGM、サウンドデザイン、ナレーションのトーン参照として使います。
• テキスト: 自然言語で書くプロンプト。

入力タイプをまたいだ合計ファイル上限はありません。つまり画像を 9 枚添付するのを止めるものは何もありません。だからこそ、抑制が必要な規律になります。ByteDance は合計 4〜5 個の素材を推奨し、上限いっぱいまで使うと、どの特徴を優先すべきかモデルが判断しづらくなり、スタイルの衝突や被写体の識別のぼやけが起きると警告しています。まず削るのは音声と副次的なビジュアル参照です。それらは言葉で説明しやすいからです。アップロードは、どうしても書き下せないものに取っておきましょう。特定の顔、正確なカメラの動き、固有の振付などです。

見落としがちな制限が 2 つあります。参照クリップ（動画・音声とも）は最低 2 秒必要で、テキスト＋音声だけでは生成できません。音声には必ずビジュアル参照が必要です。

プロンプトがフラグされた本当の理由

多くの人は、フラグされたプロンプトには特定の語句が含まれていて、それがフィルターに引っかかったのだと考えます。この思い込みが、単語の入れ替え、免責文の追加、プロンプトの削ぎ落としという終わりのないループを生みます。どれも根本的な解決にはなりません。

Seedance 2.0 のコンテンツフィルターはそういう仕組みではありません。言語モデルがプロンプト全体を 1 つのシーンとして読み、それが何を表しているかを判断します。個々の単語を走査しているのではなく、意図と文脈を評価しているのです。

映画スタジオの警備員と、銀行の警備員の違いだと考えてください。同じ小道具の銃でも、スタジオのゲートなら疑問も持たれず通されます。文脈が目的を明らかにしているからです。銀行ではまったく話が違います。物そのものは変わっていません。変わったのは文脈です。

実際にどういうことか。単独で見れば際どく映る単語も、よく構成されたシネマティックなプロンプトの中なら何の問題もなく収まります。フィルターは全体像を読みます。読み取るべき像がないプロンプト、つまり舞台も、視覚的な目的も、物語の筋も持たないプロンプトには、判断材料がありません。何が作られようとしているのか自信を持って解釈できないとき、フィルターは安全側に倒れます。

フラグされるべきでなかったのにフラグされたプロンプトの、ほぼすべての核心がここにあります。悪い内容でも、悪いアイデアでもありません。フィルターが理解するための材料を与えなかったプロンプトだった、というだけです。

実務的な転換はこうです。映画監督がショットを説明するように読めるプロンプトは通りやすい。友人へのメモのように読めるプロンプトはフラグされやすい。

1 つだけ、修正可能なフラグではなく完全なブロックになるカテゴリがあります。 次の 2 種類は、プロンプトが読まれる前の画像スキャン段階で拒否され、どれだけシネマティックに枠づけても通りません。

• 実在の識別可能な人物の顔。著名人、政治家、公人
• 名前のある著作権キャラクター。ブランドのスーパーヒーロー、Disney のキャラクター、識別可能なフィクション IP

実在人物の写真をアップロードして失敗しているなら、それはプロンプトの問題ではなくプラットフォーム側の制限です。

フィルターに「明確にクリエイティブ」と読ませるプロンプトの書き方

［フィルター］アクションだけでなく、シーン全体を枠づける

フラグされるプロンプトで最もよくある構造は、周囲の文脈がない単一のアクションです。何かが起きているのに、場所も、視覚的な空気も、カメラがそこにいる理由もない。フィルターには、これが映画の撮影現場なのか、そうでないのか判断できません。

解決策はアクションを消すことではありません。意図がおのずと伝わるまで、その周りにシーンを組み立てることです。

アクションは同一です。前者はフィルターに評価対象を 1 つしか与えません。後者は、戦争という文脈、時代、カメラの位置、そして視覚的な空気の全体を与えます。片方は報告書のように読め、もう片方は撮影のブリーフのように読めます。

アクションから外へ組み立て、プロンプトの中で次の 4 つの問いに答えてください。

• これはどこで起きているか
• 見た目はどうなっているか
• カメラは何をしているか
• 全体の空気はどうか

4 つすべてに答えれば、フラグの問題はたいてい自然に解消します。

［プロンプト］プロンプトは物語ではなく、視覚的な事実の並びとして扱う

フラグの原因として見落とされがちなのが、視覚的にではなく感情的・物語的に読めてしまうプロンプトです。次の要素は、モデルが処理し直さなければならない解釈のノイズを足します。

• キャラクターの動機
• 劇的な過去の設定
• 人間関係の背景
• 感情の説明

フィルターが気にするのは、このシーンが実在したときにカメラが何を見るかです。なぜそうなのかを知る必要はありません。

脚本には 2 つの層があります。シーン描写と、サブテキストです。Seedance 2.0 が必要とするのはシーン描写だけです。感情の伏流、過去の経緯、そのキャラクターが走っている理由。それはサブテキストで、書き手の頭の中にあるべきもので、プロンプトに入れるものではありません。

プロンプトに一文を入れる前に、こう自問してください。もしこれが実際の撮影なら、この一文はショットリストに載るだろうか。載らないなら、まずプロンプトには不要です。

この規律は生成品質も大きく引き上げます。モデルは見えるものを実行するのであって、推測するのではありません。密度が高く、具体的で、視覚的なプロンプトは、長く物語的なプロンプトをほぼ毎回上回ります。

複数ショットのシーケンスには、プロンプトに構造を持たせましょう。ByteDance が推奨する形は、素の散文で書くショットごとの絵コンテです。まず全体の視覚的なトーンを一度定め、そのあと各ショットを、カメラの動き、被写体のアクション、位置、音の順に書いていきます。

全体の視覚設定（通して適用）：柔らかい曇天光、拡散した影、硬いエッジなし。
くすんだ自然色、冷たい白、彩度を落としたトーン。35mm のグレイン、アナモルフィックレンズ、
ハイライトに柔らかいハレーション。静かで、孤独で、広がりのある印象。

ショット1：フィックスのワイドショット、ローアングル。騎馬の一人が雪原の稜線に姿を現す。
ショット2：背後からのトラッキングショット、手持ちの質感。馬と乗り手が深い雪の中を駆け、
        乗り手のマントが風にはためく。
ショット3：完全にフィックスしたスタティックワイド。無人の雪原。遠い稜線に一匹の狼が
        微動だにせず立っている。

字幕は出さないこと。ウォーターマークを生成しないこと。

冒頭で視覚設定を一度定めておくと、シーケンス全体のシネマティックなトーンが決まります。あとは各ショットが、その瞬間にカメラが見るものだけを書けば済みます。

各ショットに秒数を割り当てないでください。 各ビートに "duration": "3 seconds" と書きたくなりますが、それは自分の出力を悪くする最もよくあるやり方です。Seedance は精密なタイミングの扱いが不安定で、区間を固定の秒数に縛ると、締まるどころか生成が壊れることがあります。ショットは順番で示し、テンポはモデルに見つけさせましょう。

［プロンプト］制作の言葉で、これがどんな種類のコンテンツかを示す

知っておく価値のある、再現性のあるパターンがあります。映画制作の語彙を含むプロンプトは、平易な言葉で書かれたプロンプトよりも明らかに広い裁量で評価される傾向があります。

理由は単純です。ショットの種類、レンズの仕様、ライティングの構成、アスペクト比が書かれていると、モデルはそれを制作ブリーフとして解釈します。映画制作では、劇的で、緊迫し、道徳的に複雑な題材を描くことが許されています。その文脈が、フィルターの内容の重みづけを変えるのです。

工事現場でヘルメットをかぶるのに少し似ています。ヘルメットは作業内容を変えませんが、ここがどういう環境で、どういうルールが働く場所なのかを周囲に即座に伝えます。プロンプトに 2〜3 個の制作用語を入れるのも同じ働きをします。フィルターが中身を評価する前に、レジスターを決めてしまうのです。

とはいえ、すべてのプロンプトを専門用語で埋めろという意味ではありません。枠づけが曖昧にならない程度に制作の言葉を含めれば十分です。カテゴリ別の参考リストを挙げます。

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
• オーバーショルダー、POV、俯瞰（バーズアイ）、ツーショット
• ローアングル、ハイアングル、ダッチアングル

カメラの動き

• ドリーイン／ドリーアウト
• トラッキングショット、パン、チルト、クレーンショット
• フィックス（固定）、ローアングルのプッシュ、周回ショット、手持ち

レンズとフォーマット

• 35mm のグレイン、アナモルフィックレンズ、2.39:1 のアスペクト比、1.85:1
• ヴィンテージレンズ、柔らかいハレーション、浅い被写界深度
• レンズフレア、ラックフォーカス

これらは見た目を表す描写語であって、出力設定ではありません。プロンプトに「2.39:1」と書くのは、どんな画がほしいかをモデルに伝える行為です。設定で実際に選ぶ比率は 21:9 で、これが Seedance が出力できる最も近いスコープ系フォーマットです。

ライティング

• 曇天の拡散光、もやを貫くボリュメトリックな光条
• 実在光源によるライティング、サイドバックライト、動機づけられた影
• ゴールデンアワー、硬い直射光、リムライト

色とトーン

• くすんだ低彩度パレット、ハイコントラスト、ブリーチバイパス
• 冷たいブルー系、温かいアンバー、黒を潰したトーン
• 白飛び気味のハイライト、フラットで低コントラストのグレーディング

これらのカテゴリから 2〜3 語をプロンプトに足せば、制作の文脈は明確になります。多くの場合、必要なのはそれだけです。

際どい内容がないのにフラグされる理由

ときどき、まったく際どくない内容なのに生成がフラグされます。アクションもドラマも難しい題材もない、問題があるはずのないシーンなのに、です。

これはプロンプトが薄すぎるときに起こります。シネマティックな枠づけも、シーンの文脈も、視覚的な具体性もない短く平坦な描写は、フィルターに不完全な像しか与えません。台紙もシーン見出しもト書きもない、脚本の途中の一文だけを誰かに送るようなものです。スリラーなのか、コメディなのか、まったく別の何かなのか、相手には判断できません。不完全な像は承認されず、保留されます。

同じ物体でも、読まれ方はまるで違います。前者はフィルターに物体 1 つと動作 1 つしか与えません。後者は環境、目的、制作の文脈、そしてカメラの描写を与えます。

対処はシンプルです。単純なシーンでも、次を足すだけで良くなります。

• 具体的な場所と時代
• 空気やムードを示す言葉
• カメラの位置やショットの種類
• 文脈を示す制作用語を 1〜2 個

@ 参照システム：アップロードが黙って失敗する理由

Seedance 2.0 の問題のかなりの部分は、フィルターの問題ですらありません。参照の問題です。ユーザーは画像や動画クリップをアップロードして、モデルが各ファイルの用途を理解してくれると期待しますが、モデルは何も想定しません。

動画をアップロードしても、それだけではカメラ参照になりません。画像をアップロードしても、それだけでは冒頭フレームになりません。ラベルのない写真の束を、現場の監督に渡すところを想像してください。各写真に何が写っているかは見えますが、どれを冒頭フレームにしたいのか、どれが衣装参照で、どれが単なる背景のインスピレーションなのかは分かりません。ラベルがなければ推測するしかない。Seedance 2.0 も同じです。アップロードした各ファイルには、@ タグを使ってプロンプトの中で明示的な役割を与える必要があります。そうしないと、曖昧なまま処理されます。

@ タグを使うには、プロンプト欄で @ を入力するか（参照セレクターが表示されます）、ツールバーの @ アイコンをクリックします。そのうえで、アクションを描写する前に各ファイルの用途を正確に述べます。

複数の参照を使うときは、シーンの描写に入る前に、プロンプトの冒頭ですべての役割割り当てを列挙してください。役割が明示されていない @ タグは、出力が不安定・予想外になる最も確実な原因の 1 つです。

Seedance 2.0 は画像アップロードをどう読むか（そしてどこで崩れるか）

［画像］キャラクター画像をアップロードしたら、画像に仕事をさせる

キャラクター参照画像をアップロードすると、そのキャラクターをプロンプトでも描写したくなります。こらえてください。その仕事はすでに画像が済ませています。テキストで繰り返しても出力は補強されません。モデルが折り合いをつけなければならない、競合するもう 1 層の情報が増えるだけです。

プロンプトがやるべきなのは、シーンを明確に描写することです。

• ショットの中で何が起きているか
• カメラはどこにあるか
• 環境はどう見えるか
• ショットはどう動くか

外見は画像が担い、カメラが見るものはすべてプロンプトが担います。

ここはフラグが画像の問題になる場所でもあります。Seedance 2.0 は、キャラクターが未成年と読まれうるプロンプトに、より厳しい評価を適用します。若さを示す語（「子ども」「幼い」「若い」「少年」「少女」）は、その語が現れた箇所だけでなくプロンプト全体の審査を厳しくします。アップロードした画像が何を示していても関係ありません。

より確実なやり方は、キャラクターをシーンの中での役割で描写することです。その人物が誰かは画像がすべて担い、何が起きてカメラが何を見るかはプロンプトが担います。

前者の「幼い」という語が、プロンプト全体の感度のしきい値を引き上げます。後者は、アップロードした画像にキャラクターの同一性を担わせています。プロンプトはカメラが見るものだけを描写しています。

［画像］送信前からフラグ？ 画像そのものが原因です

Seedance 2.0 には、プロンプトのフィルターとは独立して動く画像評価の層があります。アップロードした画像にはっきり見える顔が含まれていると、テキストが処理される前の段階で拒否されることがあります。プロンプトを何度書き直しても何も変わらない、という現象の説明はこれです。プロンプトが読まれていないのです。

回避の方法は次のとおりです。

• カメラから顔をそらす。 被写体を背後から、あるいは顔立ちが見えない角度でフレーミングします。服装、姿勢、髪、環境だけで、たいていの参照目的には十分な情報になります。
• ワイドに引く。 人物が画面を支配する主役ではなく、シルエットや小さな要素として読まれる程度まで引きます。
• 写真ではなくイラストを使う。 写真の参照をイラストや様式化されたものに差し替えます。評価のかかり方が違い、イラストのほうが安定して通ります。
• 参照の目的をずらす。 顔や同一性ではなく、服装、舞台、カラーパレット、空間の構図のためにその画像を使います。

プロンプト側に明確な原因がないのに生成が失敗し続けるなら、テキストを書き直す前に画像を調整してください。

知っておく価値のある上級テクニック

［上級］既存の映像を延長する

まず方向を指定し、それから新しいセグメントの内容を描写します。延長は両方向に働きます。クリップの後に何が起きるかも、その前に何があったかも生成できます。

@Video 1 の続きを生成する。［新しいセグメントの描写。］

@Video 1 を過去方向へ延長する。［そこへ至る内容の描写。］

ここで「@Video 1 を参照する」と書かないでください。 これは参照タスクではなく編集タスクです。参照という語はモデルにこれを参照タスクとして分類させ、あなたのクリップを続けるかわりに、似ているだけの別の動画を生成させます。クリップは素直に @Video 1 と呼んでください。

元の映像は再生成されないので、すでに気に入っている部分はそのまま残ります。計画に織り込むべきことが 2 つあります。つなぎ目で小さな飛びが出ることがある点（編集ソフトで、出ていくクリップの末尾から約 6 フレーム、入ってくるクリップの先頭から 1 フレームを削れば直ります）と、延長を繰り返し連鎖させると画質が劣化する点です。劣化はまず顔のまだらな色ムラとして現れます。連鎖は短く保ってください。

［上級］2 本のクリップを生成した中間でつなぐ

@Video 1 と @Video 2 の間をつなぐシーンを生成する。トランジションでは［2 本のクリップをつなぐアクション、環境、動きを描写］を見せる。

生成されたセグメントは 2 本のクリップの間に挿入されるので、それ自体が 1 つの短いシーンであるかのように描写してください。

［上級］参照クリップからカメラのスタイルをコピーする

欲しい動きのスタイルを持つクリップをアップロードし、直接名指しします。

@Video 1 のカメラの動きをすべて参照する。ローアングルの周回ショットと、クローズアップへのプッシュインを含む。

ここでは「参照する」という語が正しい使い方です。これは本当に参照タスクだからです。カメラのスタイルを借りて、新しい動画を作っています。この語を落とすのは、アップロードしたクリップ自体を編集・延長するときだけです。

モデルは参照クリップから、動きのリズム、フレーミングの論理、トランジションのテンポを引き出します。技法の正式名称があると助けになりますが、必須ではありません。ただし 1 ショットにつきカメラの動きは 1 つに抑えてください。プッシュイン、周回、パンを 1 つのショットに積み重ねるのは、画を不安定にする確実な方法です。

［上級］編集を音楽に同期させる

（リズムとテンポは @Audio 1 から。）シーンのトランジションはビートに合わせる。各カットでビジュアルのスタイルを切り替える。

Seedance 2.0 は、アップロードした音声トラックのリズムに、カット、ライティングの変化、シーンの転換を同期できます。同期は秒ではなくビートで記述してください。モデルは精密なタイムコード（「6 秒の時点でカット」）の扱いが不安定で、イベントを固定の秒数に縛ると、締まるどころか出力が劣化することがあります。各カットを個別のショットとして書き、タイミングはビートに運ばせましょう。

［上級］既存の動画クリップの音声を使う

すでに参照しているクリップに欲しい音声が入っているなら、音声を別途アップロードする必要はありません。

@Video 1 に含まれる音声を BGM として使う。

［上級］制約の言葉：頼んでもいないアーティファクトを排除する

コンテンツフィルターとは別に、生成自体は成功するのに、頼んでいないものが出力に混じる失敗があります。画面に焼き込まれた字幕、紛れ込んだロゴ、他社プラットフォームのウォーターマークなどです。ByteDance 自身のガイダンスは、プロンプトの最後に明示的な制約文を置くよう勧めています。

字幕は出さないこと。テキストや字幕を一切生成しないこと。

ロゴを生成しないこと。ウォーターマークを生成しないこと。

キャラクターの顔は一貫させ、変形させないこと。動きは滑らかに、ちらつきやカクつきを出さないこと。

これで何が得られるかは現実的に見ておきましょう。制約文は、紛れ込む字幕やウォーターマークの確率を下げます。ゼロにはしません。言葉よりも効くことが 2 つあります。

• アップロード前に、参照素材からテキストを取り除く。 参照画像やクリップに不要なテキストが写っているなら、先に消してください。入力にテキストがあることは、出力にテキストを出す最も確実な方法です。
• 可能なら横位置で生成する。 紛れ込む字幕は、縦位置より横位置のほうが明らかに少なくなります。最終的に縦型で使う場合でも、16:9 で生成してから切り出す価値はしばしばあります。

制約は短く保ち、実際に起きている失敗だけに結びつけてください。起こりうることを網羅した長い一般的なリストは、薄まって無視されがちです。

［コミュニティ］試されていること

シーンの描写を中国語で書き、台詞や画面上のテキストは英語のままにすると、通過率が上がったという報告があります。Seedance 2.0 はもともと中国語の学習が強い前提で開発されたため、中国語で書かれたプロンプトはフィルターのしきい値がわずかに違う形で解釈されるのではないか、という理屈です。

確実な解決策ではなく結果もまちまちですが、しっかりシネマティックに枠づけたプロンプトがそれでもフラグされ続けるなら、試す手間は小さい選択肢です。シーンの描写を翻訳ツールにかけ、台詞は英語のまま残して、出力が変わるか見てみてください。

天秤にかけるべき、文書化されたコストが 1 つあります。 ByteDance のガイダンスは、固有名詞を別として、プロンプトで中国語と英語を混ぜることは避けるべきで、とくに台詞の言語は一貫させなければならないと明言しています。つまり、中国語のシーン描写に英語の台詞という構成は、モデルの作り手がまさに警告している混在です。その代償はたいてい、話された台詞の発音の劣化として現れます。台詞のない動画ならリスクは低いですが、台詞があるなら、頼りにする前にテストしてください。

生成する前に：確認リスト

• オールインワン参照モードを使っているか（入力タイプを混ぜるときは必須）
• すべての @ タグに、プロンプト内で明示された役割があるか
• プロンプトは物語や過去の設定ではなく、視覚的なシーンを描写しているか
• 制作の言葉を最低 1 つ入れたか（ショットの種類、カメラの動き、ライティングの描写）
• すべての文が、カメラが見るものを描写しているか、シネマティックな文脈を作っているか
• キャラクターを年齢ではなく役割で呼んでいるか
• 参照画像に目立つ顔が写っていないか、トリミング済みかイラストか
• 参照画像に実在の識別可能な人物や、名前のある著作権キャラクターが写っていないか
• そのショットに本当に必要な数だけの参照になっているか（推奨は 4〜5 個。合計上限はないが、上限いっぱいまで使うと結果は悪くなる）
• ショットはタイムスタンプではなく、順番（ショット1、ショット2）で並べているか
• プロンプトの最後を制約で締めたか（「字幕は出さないこと。ウォーターマークを生成しないこと。」）