Seedance 2.5で30秒のAI動画を作る方法

Seedance 2.5は30秒のシングルショットクリップを生成します。プロンプトの構成方法、50個の参照全体で一貫性を保つ方法、そしてAPI経由で呼び出す方法をステップバイステップで解説します。

TL;DR

プロンプトを3つのビートで構成する: セットアップ、アクションまたはリビール、締めのフレーム。Seedance 2.5は、長く続く1文の説明よりもシーン設計にうまく従います。
被写体ごとに参照画像を1枚: すべてのキャラクター、商品、小道具のショット。画像は、言葉よりもはるかにうまく30秒間の外見を維持します。
モーションの流れは1つ、5つではなく: 1つのカメラまたはストーリー上の動き（「カメラが寄りながら窓へ歩く」）。尺はスローモーションのために使い、混沌のために使わない。
リージョン編集で修正する: 再生成して良い部分を失うのではなく、間違っている1つの要素を変更します。
上限に注意: 2.5は720pでローンチします。ネイティブ4Kは予定されていますが、まだ提供中ではありません。

Seedance 2.5は、つなぎ合わせなしで、本物の30秒クリップを一度に作れる初のモデルです。その長さは強力ですが、無駄にしやすくもあります。曖昧な段落を与えると、30秒間漂うような映像になります。構造化されたブリーフを与えると、一貫したシーンになります。ここでは後者のやり方を説明します。

なぜワンショット 30 秒でプロンプトの書き方が変わるのか？

それは、もはや 1 枚のフレームを描写しているのではなく、1 つのシーンを演出しているからです。古いモデルではクリップが非常に短かったため、1 文で十分に表現できました。30 秒は、始まり、中盤、終わりを持たせるのに十分な長さがあるため、モデルにも目指すべき始まり、中盤、終わりが必要になります。平坦な説明を 1 つ渡すだけでは、ショットが時間とともにどう展開すべきかを示すものがないため、モデルは迷走します。

これが発想の転換です。あなたが書いているのはキャプションではなく、ショットリストです。このガイドの残りでは、そのショットリストをどのように書けば Seedance 2.5 が実際に従うのかを説明します。

30秒を3つのビートに分けるには？

おおよそ各10秒で、1つのビートにつき1つの役割を持たせます。1つ目のビートは場面を設定し、被写体を紹介します。2つ目のビートが本筋です。アクション、商品の見せ場、物語の転換を担います。3つ目のビートで着地させます。最後のしぐさや静止を入れることで、クリップが唐突に止まるのではなく、終わりを持つようにします。

すべてのクリップに厳密に3つ必要ですか？いいえ。ただし、30秒では3つが最も扱いやすいバランスです。2つのビートではその長さに対して薄く感じられることがあり、5つにするとモデルが保持しきれない慌ただしいモンタージュになってしまいます。3つすべての下に、1つのロケーションと1つの動きの流れを通し続けてください。そうすることで、ビートは別々のクリップを貼り合わせたものではなく、1つの場面の中の瞬間として感じられます。この構造こそが、長いワンショットを意図的なものとして見せる要因です。

30秒のSeedance 2.5クリップを3つのビート（セットアップ、アクション、締め）で構成する

Seedance 2.5で30秒の動画を作るには？

以下の手順を順番に進めれば、最初のレンダーで大半のブレを抑えられます。

クリップを3つのビートに分ける。 セットアップ、次にアクションまたは製品の登場、そして締めのフレームです。Seedance 2.5は、ひと続きの説明よりも、この構造化された設計のほうをより安定して追従します。
すべての被写体に参照画像を追加する。 キャラクター、製品、重要な小道具ごとに1枚のショットを用意します。視覚的な参照は、テキストだけではブレが生じる30秒全体にわたって外観を維持します。
モーションの流れを1つ選ぶ。 カメラがゆっくり寄っていく中でキャラクターが部屋を横切る、といった単一の発展する動きです。尺は、ゆっくりと意図的な動きに使います。
ルックを固定する。 照明と色のムードを1つ指定し、それを維持します。矛盾する手がかりはクリップを崩します。
確定前にプレビューする。 3Dホワイトボックスのプレビズパスを使ってカメラと動きを確認し、その後で本番レンダーを行います。
領域編集で修正する。 1つの要素だけが間違っている場合は、そこだけを描き直し、クリップ全体を再生成して、すでにうまくいった部分までリスクにさらさないようにします。

プロンプトはどのように書きますか？

ディレクタースタイルのフレームワークを使い、毎回同じ順序で埋めてください: Subject + Action → Environment → Look → Camera → Audio。ビート間には明示的なカットラベルを入れます。この順序が重要です。なぜなら、スタイリングの前に、モデルが最初に注目するもの（誰が、何が起きているか）を前面に置けるからです。

製品クリップ用に埋めた形は次のとおりです:

[Beat 1 - setup] A woman in a navy coat stands in a bright minimalist kitchen,
morning light. Camera: slow push-in.
[Beat 2 - reveal] She lifts a matte-black coffee maker onto the counter and
presses the top button; steam rises. Camera: tighten to the product.
[Beat 3 - close] She takes a sip, smiles, looks off-frame. Camera: hold.
Look: warm, clean, commercial. Audio: soft ambient kitchen, no dialogue.

これが何をしているかに注目してください。各ビートでは、主体とアクション、次に環境、そしてクリップ全体に対する1つのルックと1つの音声指示を指定しています。カットラベルがモデルに構造を与えます。これはストーリーボードのように読めます。Seedance 2.5が反応するのはまさにそれだからです。

Text-to-video と image-to-video のどちらを選ぶべきか？

Seedance 2.5 はその両方に対応しており、適切な入口を選ぶことで後々の手間を減らせます。Text-to-video はプロンプトからシーン全体を構築するため、まだ何も存在しておらず、モデルに見た目を考案させたい場合に向いています。Image-to-video は、すでにある静止画をアニメーション化するもので、正確なフレーム、商品写真、ブランドのキービジュアルを持っていて、それを動かすだけでよい場合に向いています。

ブランドや商品の制作では、通常 image-to-video が有利です。実際の商品ショットから始めるため、対象物は最初から正しく、モデルは形状を推測するのではなく、その周囲をアニメーション化します。固定されたフレームから始めることは、30秒のクリップをブランドに沿ったものに保つ最も確実な方法のひとつです。オリジナルのシーンには text-to-video を使い、すでに基準となるものがある場合は image-to-video を使います。

キャラクターや製品の一貫性を保つには？

形容詞ではなく、参照資料に頼ってください。Seedance 2.5 は最大 50 個のマルチモーダル入力、おおよそ 30 枚の画像、10 本の動画クリップ、10 個の音声クリップを受け付けます。そして、この入力枠が真価を発揮するのがここです。プロンプト内で名前を挙げるすべてのキャラクターと製品について、鮮明なショットをアップロードしてください。モデルは「a matte-black coffee maker」のようなテキスト説明よりも、画像にはるかに確実に合わせます。そうしないと、モデルは毎秒それを作り替えてしまいます。

繰り返し登場するキャラクターには、いくつかの角度を用意してください。正面、斜め 3/4、横顔です。製品には、ヒーローショットとディテールショットを用意してください。モデルが見られるものが多いほど推測は減り、推測こそが、いかにも AI らしい顔が揺らぐ見た目を生み出します。30 秒のクリップでは、一貫性はほとんど参照資料の問題であり、Seedance 2.5 にはそれを解決する余地があります。

API から Seedance 2.5 を呼び出すには？

動画生成は非同期ジョブとして実行されます。リクエストを送信し、ステータスをポーリングして、準備ができたら結果をダウンロードします。Velokey のような OpenAI 互換ゲートウェイ経由では、次のような形になります。

import requests, time

BASE = "https://api.velokey.ai/v1"
headers = {"Authorization": "Bearer $VELOKEY_API_KEY"}

# 1. submit the job
job = requests.post(f"{BASE}/videos/generations", headers=headers, json={
    "model": "seedance-2.5",
    "prompt": "<your three-beat prompt>",
    "references": ["https://.../character.png", "https://.../product.png"],
    "duration": 30,
}).json()

# 2. poll until it's done
while True:
    r = requests.get(f"{BASE}/tasks/{job['id']}", headers=headers).json()
    if r["status"] == "completed":
        print(r["results"][0])   # video URL
        break
    time.sleep(5)

これは最終的なパラメータ一覧ではなく、呼び出しのパターンです。モデルのロールアウトに伴い、正確なフィールドは変わるためです。現在のリクエストスキーマ、レスポンス形式、動画ごとの料金については、最新の詳細を追跡している Seedance 2.5 API guide を参照してください。ここでゲートウェイを使う利点は、別のショットのために Veo や Kling に切り替える場合も、モデル名を変えるだけで同じ呼び出しを使えることです。

Seedance 2.5 の音声はどうですか？

2.5 の新機能として、このモデルは同じ生成処理の中で同期された音声も生成するため、プロンプト内で音を直接指示できます。シンプルにしてください。クリップごとに音声の意図を 1 つだけ指定します。たとえば「soft ambient kitchen, no dialogue」や「upbeat background music」のように書き、映像の下に自然に敷く形にします。環境音と音楽は、Seedance の音声が最も得意とする領域です。

長いセリフは話が別です。クリップの成否が、話し言葉の 1 行が完璧に同期して届くかどうかにかかっているなら、48kHz のセリフでは Veo 3.1 がまだ優位であり、その用途ではクリップが短くなる価値があります。ただし、ほとんどの 30 秒の商品紹介やストーリー制作では、Seedance の環境音と音楽で十分であり、後から音声をつぎ足すよりも、同じ処理で生成するほうが優れています。

解像度はどうなのか？720pという制約

レンダリングする前に期待値を調整しておきましょう。Seedance 2.5は、リリース時点では720p上限で提供されます。仕様表にあるネイティブ4Kと10-bit colorはロードマップ上の予定であり、リリース時点では利用できません。ソーシャル、モバイル、Web向けなら720pで十分で、気になることはほとんどありません。いま大画面でシャープに見せる必要があるクリップでは、これは実際の制約になります。そしてSeedance 2.0は、上位ティアで引き続き1080pと4Kを提供しています。動画が実際に再生される場所に合わせて解像度を計画してください。

レンダーを浪費せずに反復するには？

まず最も安い修正から、最後に高コストな修正へ進めます。完全な30秒レンダーが最もコストが高いので、少し何かがずれているたびに使うべきではありません。previzから始めてください。完成クリップに費用をかける前に、whitebox passでカメラとモーションの問題を見つけます。その後でレンダーします。

最終版のディテールが間違っている場合は？ Region-editします。クリップ全体を作り直して良い部分まで賭けに出るのではなく、問題の1要素だけを描き直し、すでにうまくいっている部分はすべて残します。完全な再生成は、ジャケットの色が違うときではなく、コンセプト全体が外れているときのために取っておきます。この順序、つまりpreviz、次にregion edit、そして最後の手段としてのみfull re-renderで作業すれば、すべてをre-rollする習慣で消費するcreditsのほんの一部で済みます。

実例：30秒の商品広告

ここでは、1本のクリップで全体の流れを見ていきます。たとえば、コーヒーメーカーの30秒広告を作るとします。まず、参考素材を集めます。商品のヒーローショット、ディテールショット、そしてプレゼンターの写真です。次に、3つのビートでプロンプトを書きます。キッチンでの導入、商品の登場と抽出、締めの一口を、温かみのあるコマーシャル調の見た目とキッチンの環境音で構成します。3つ目に、ホワイトボックスのプリビズを実行し、カメラが商品登場の前ではなく、そのタイミングで実際に商品へ寄っているかを確認します。

何かがおかしいですか？その場で修正します。プレゼンターのジャケットが間違った色になっていたら、ジャケット部分をリージョン編集し、承認済みの抽出ショットはそのままにします。ソーシャル用のカットは720pでレンダリングします。クライアントが今日4Kマスターを必要としている場合は、2.5の4K対応が提供されるまでの暫定策として、その1ショットをSeedance 2.0で生成します。これで、最初から再生成することなく、制作全体の1パスが完了します。

よくある失敗は何ですか？

ほとんどの 30 秒の試みを台無しにするエラーは 3 つあり、どれも知っていれば簡単に避けられます。

詰め込みすぎる。 1 本の 30 秒クリップに複数の場所や大勢のキャラクターを入れると、モデルが一貫性を保てる範囲を超えてしまいます。アイデアに 3 つの設定と 4 人の人物があるなら、別々のクリップに分けてエディターで組み立ててください。1 回の生成につき、一貫したシーンは 1 つです。
矛盾した演出指示。 同じプロンプト内に "dark moody noir lighting" と "bright clean commercial look" のように互いにぶつかる手がかりがあると、まとまりのないものになります。ムードは 1 つに絞ってください。パレットも 1 つに絞ってください。変化は矛盾する形容詞ではなく、ビートで伝えます。
動きの流れがない。 静止した 30 秒は、退屈な 30 秒です。何も変化しなければ、そのクリップは長く引き延ばされた静止レンダーのように感じられます。押し寄り、パン、キャラクターの横切りなど、1 つの動きを与えることで、長さが水増しではなく意図的なものとして伝わります。

この 3 つを正しく押さえ、プロンプトをビートで構成し、すべての被写体に言及すれば、Seedance 2.5 の 30 秒は賭けではなく、かなり再現性のある結果になります。

よくある質問

Seedance 2.5 の動画はどのくらいの長さにできますか？

単一のネイティブ生成で最大 30 秒です。Seedance 2.0 の 15 秒の 2 倍です。クリップ全体が 1 回のパスでレンダリングされるため、別々のクリップをつなぎ合わせなくても、シーンの切り替えや物語の流れを含められます。このワンショットの 30 秒が、このモデルの目玉機能です。

良い Seedance 2.5 プロンプトはどのように書けばよいですか？

セットアップ、アクション、クローズの 3 つのビートで構成し、ディレクター向けのフレームワークを使います。Subject + Action、次に Environment、Look、Camera、Audio を指定し、ビート間にはカットラベルを入れます。各被写体に参照画像を追加してください。クリップ全体を通して、照明のムードは 1 つ、動きの流れも 1 つに保ちます。

Seedance 2.5 は 4K 動画を作れますか？

ローンチ時点ではできません。Seedance 2.5 は現在 720p に制限されており、ネイティブ 4K は後日のロールアウトに向けたロードマップ上にあります。今すぐ 4K が必要な場合は、Seedance 2.0 が上位ティアで対応しています。ソーシャル向けやモバイル向けの出力では、ローンチ時の 720p 解像度で通常は十分です。

Seedance のクリップ全体でキャラクターの一貫性を保つにはどうすればよいですか？

テキストではなく参照画像を使います。キャラクターの正面、斜め 4 分の 3、横顔など複数の角度をアップロードすると、Seedance 2.5 は説明文よりもはるかに確実にそれらに合わせます。50 件の参照枠はまさにこのために設計されており、長いクリップでの一貫性は主に良い参照画像次第です。

Seedance 2.5 動画の一部を修正するにはどうすればよいですか？

領域編集を使います。衣服、背景、商品などの単一要素を描き直しながら、演技、動き、照明は固定したままにできます。クリップ全体を再生成すると、すでにうまく出ている部分を失うリスクがありますが、それより優れています。細部を反復調整する最速の方法です。

API 経由で Seedance 2.5 を呼び出すにはどうすればよいですか？

プロンプトと参照 URL を使って非同期ジョブを送信し、完了するまでタスクをポーリングしてから動画をダウンロードします。Velokey のような OpenAI 互換エンドポイント経由なら、モデルを Seedance 2.5 に設定した 1 回のリクエストで済み、別の動画モデルに切り替える場合も、名前を変えるだけで同じ呼び出しです。

Seedance 2.5 では text-to-video と image-to-video のどちらを使うべきですか？

商品写真やブランドビジュアルのように、すでに正確なフレームがある場合は image-to-video を使います。そうすれば、モデルが対象物を作り出すのではなく、正しい対象物をアニメーション化できます。ゼロから作るオリジナルシーンには text-to-video を使います。ブランドや商品のクリップでは、実際の画像から始める方が、30 秒全体で一貫性を保つうえでより信頼できます。