MakeFun で公開中
Seedance 2.5：プロ向けマルチモーダル AI 動画
ByteDance の新世代プロフェッショナル・マルチモーダル動画生成モデル。長尺の物語性・強力なリファレンス・精密な編集・多言語という 4 つの強化を一度に。実際の制作現場を想定した設計で、素材が再利用でき、納品でき、規模を保って繰り返せます。
Seedance 2.5 の 4 つの強化
以下の数値はすべて ByteDance の公式リリースノートによるものです。モデルは MakeFun で公開済みのため、実際の結果はご自身の生成によって決まります。
長尺の物語性
単一ショットが 15 秒から 30 秒になりました。後工程でクリップをつなぎ合わせなくても、感情の起伏をひととおり収められる長さです。高忠実度の時間方向の延長により、短い素材を長いカットに伸ばしながら、人物・場面・カメラの一貫性を保てます。
強力なリファレンス
1 回の生成で使える参照素材が最大 50 点に（Seedance 2.0 では 12 点）。出演者・ロケーション・参考にしたいカメラワーク・ブランド音楽をまとめて渡せば、モデルがそれらを合わせて読み取り、企画に沿ったカットを返します。顔・表情・衣装はショットをまたいでも安定します。
精密な編集
既存のカットを @video1として渡し、変更内容をプロンプトに書けば、モデルはその部分だけを書き換え、他はそのまま保ちます。商品の差し替え、映像のスタイル変更、出演者の年齢や表情の調整、ウォーターマークの除去、BGM の入れ替えなどが行えます。
多言語
10 以上の言語にネイティブ対応しているため、制作者は翻訳を挟まずに自分の言語で意図を書けます。1 回の撮影を複数のローカライズ版ナレーションとして展開することもできます —— 左のクリップは同じ場面を英語・フランス語・日本語・スペイン語・韓国語・ヒンディー語で出力したものです。
Seedance 2.0 からの変化
ByteDance は、2.5 が 2.0 → 1.5 のときのような世代を跨ぐ飛躍ではないと明言しています。中核となる能力の飛躍は 2.0 ですでに達成されており、2.5 は実際の制作現場に向けた系統的な補強です。
| 項目 | Seedance 2.0 | Seedance 2.5 |
|---|---|---|
| 単一ショットの尺 | 15秒 | 30秒 |
| 1 回の生成で使える参照素材 | 12 | 50 |
| — 画像 | 9 | 30 （最大 4K） |
| — 動画クリップ | 3 | 10 |
| — 音声クリップ | 3 | 10 |
| 動画・音声の参照素材の合計長 | 15秒 | 30秒 |
| 音声のみの参照 | 非対応 | 対応 |
| ネイティブ対応言語 | — | 10 以上 |
自分がどの処理を走らせているのかを把握する
ByteDance がこれを独立した節にしているのには理由があります。実際の現場では参照生成・編集・延長が混同されがちで、その結果プロンプトの置き場所を誤り、参照する素材を間違え、制御性と安定性を失うことになります。まず処理を決め、それに合わせてプロンプトを書いてください。
参照生成
使う場面： 既存のカットがない場合。画像・動画・音声を参照素材にして、動画をゼロから作ります。
プロンプトの形： 生成したい内容を平易な文章で書き、加えて @video N @image N @audio N で各素材を参照します。
固定されるパラメータ： なし。アスペクト比と尺は自分で選べます。
動画の編集
使う場面： 既存のカットがあり、その一部を書き換え・差し替え・追加・削除したい場合。
プロンプトの形： 変更したい内容を書き、加えて @video1 で元のカットを指定します。必要に応じて @image N または @audio N。
固定されるパラメータ： アスペクト比は元素材に厳密に従うため、引き伸ばしも切り取りも起きません。出力の長さは元素材とおよそ 0.3 秒以内で一致します。出力形式は MOV を推奨します。入力は 20 秒以内に収めてください。
動画の延長
使う場面： 既存のカットがあり、同じ見た目・テンポ・スタイルのまま続きを作りたい場合。
方向： 最終フレームから前方へ、最初のフレームから後方へ、あるいは 2〜3 本のクリップのあいだを埋める形。
固定されるパラメータ： アスペクト比は元素材に従います。新しく作る部分の長さは自分で決められます —— プロンプトに明記してください。ここでも MOV を推奨します。
開始フレーム／開始・終了フレーム
開始フレームとして画像を 1 枚、または開始・終了フレームとして 2 枚を渡します。アスペクト比は最初のフレームに従うため、終了フレームの比率が異なると引き伸ばされて合わせられます。同じ比率の画像をご用意ください。尺は自分で決められます。
2.5 向けのプロンプトの書き方
今回のリリースでプロンプトの書き方が変わり、モデルが文章に求めるものが増えました。ByteDance の指針は、監督のように考え、4 つのパートに構造化して書くことです。
- 素材を参照する。 画像・動画・音声をアップロード順に番号付けし、それぞれの役割を書きます —— どれが人物の見た目か、どれが声か、どれが動きを与えるか、どれが場所を決めるか。
- 一行の要約。 被写体・場所・出来事・ジャンルやスタイル、そして特別なカメラワークがあればそれも。
- ビートごとの詳細。 ショットを順に追って書きます —— タイムスタンプでも「shot N」でも構いません。構図・カメラの動き・動作・セリフ・効果音を記述してください。肯定形で書きます。
- 締めくくる。 全体を通して効いてくる要素を加えます：レンズとカメラ位置、環境、声、雰囲気。
公式のプロンプト調整スキル
ByteDance は Seedance 2.5 向けに、自社のプロンプトエンジニアリング用スキルを強く推奨しています。npx でローカルにインストールし、手元の AI チャット内で動作します —— 第三者のサービスを介しません。
npx --yes skills@latest add \
"https://arkdocs.tos-cn-beijing.volces.com/skills/" \
--skill sd25-pe \
--yesそのうえで /sd25-pe に続けて下書きのプロンプトを入力します。
除外の指定にも対応
求めるものだけでなく、避けたいものも指定できます。字幕と音声には個別のスイッチがあり（「画面上に字幕を出さない」「BGM なし、環境音と動作音のみ」など）、音声は効果音・BGM・セリフとして別々に方向づけられます。
静かに失敗しがちなこと
- タイムスタンプは 1 秒単位がいちばん読み取られやすいです。区間内での回数指定（「1 秒間に 3 回首を振る」など）は推奨されません。
- 絵コンテのコマ割りは 15 コマ程度までが有効です。描き込んだ絵より棒人間や線画のほうが伝わり、コマ内に文字を詰め込むと逆効果です。
- グレーボックスのプレビズは、精密より粗いほうがうまくいきます —— 単純な形状をざっくり組んだほうが、作り込んだモデルより意図が伝わります。
- 被写体と素材の対応を明示してください。画像に名前を書いただけで、その名前をプロンプトで使うと、モデルが人物を取り違えます。
生成ごとに設定できること
以下は ByteDance がこのモデルで公開している設定項目です。実際に適用されるのは、MakeFun の生成フォームに用意されているものです。
- モード — 参照生成、開始／開始・終了フレーム、動画の編集、動画の延長。まずこれを選びます。以下のどの設定が自分で選べなくなるかが、ここで決まります。
- 解像度 — 480p または 720p。
- アスペクト比 — 21:9・16:9・4:3・1:1・3:4・9:16、または素材からモデルに判断させる。
- 尺 — 秒単位で指定するか、モデルに任せる。
- 出力形式 — 編集や延長の処理では MOV を推奨します。色・明るさ・音と映像の同期をより良く保てます。
- 音声 — オンまたはオフ。
- バッチ数 — 一度に最大 8 本。
ドキュメントと API
Seedance を自社プロダクトに組み込む場合、エンドポイント・パラメータ・認証・課金はすべて MakeFun の開発者ドキュメントにまとめてあります。MCP からの利用もそちらで案内しています。
参照素材は 50 点まで、では実際は何点使うべきか
上限は 50 点です —— 画像 30 点、動画 10 本、音声 10 本。ByteDance は同時に、上限まで使うことが目的ではないとも明言しています。以下の目安は同社の大規模な評価によるものです。
厳密な上限
- 画像：最大 30 点、4K 以下、1 点 30 MB 以内。JPEG・PNG・WebP・BMP・TIFF・GIF・HEIC・HEIF。
- 動画：最大 10 本、480p〜4K、1 本 200 MB 以内。MP4 または MOV。1 本あたり 2〜30 秒、合計 30 秒。
- 音声：最大 10 本、1 本 15 MB 以内。MP3 または WAV。1 本あたり 2〜30 秒、合計 30 秒。
- 動画と音声の上限はそれぞれ別に数えられ、合算されません。
実際に効く使い方
- 動画や音声で被写体を担わせる場合：1〜5 点がうまくいきます。6〜10 点も試す価値はありますが、安定性が下がり、何度か試行が必要になることがあります。
- そうしたクリップは 5〜10 秒が最適です。2 秒では識別に足りず、30 秒では特徴が薄まりノイズが増えます。
- 静止画で被写体を担わせる場合：1〜8 点がうまくいき、9〜12 点も試す価値があります。
- 被写体が 5 つまでなら、単一視点でも複数視点の画像でも構いません。5 つを超える場合は単一視点のほうが安定します —— 複数の角度を 1 枚に詰め込まず、別々の画像に分けてください。
ここでいう「被写体」とは、カット全体を通して安定させたい中心的な要素のことです —— 人物、主役となる商品や小道具、場所、全体のスタイルなど。「森の中で弓でウサギを射る人」であれば、人物・弓・ウサギの 3 つが被写体です。
Seedance を MakeFun で使う理由
無料で開始、サブスクリプション不要
月額プランなしで生成できます。Seedance 2.5 は手持ちのクレジットで動き、最初の 1 本を作る前に有効化するものはありません。
すべてのモデルをひとつの場所で
Seedance・Kling・Wan・Sora・Veo・Seedream などが、ひとつのアカウントと残高で使えます。複数のツールに支払う代わりに、同じ企画で比べられます。
納品まで見据えた設計
リップシンク・音声クローン・顔交換や頭部交換・字幕削除・超解像が生成のすぐ隣にあるため、プロンプトから完成素材まで、ひとつの場所で仕上げられます。
MakeFun にある関連 AI 動画モデル
- Wan 3.0 — 通義万相のオールインワンモデル。MakeFun で同じく利用できます。同じ企画で 2 つを比べてみてください。
- Seedance 2.0 — ひとつ前の世代。ネイティブ音声とマルチショットの物語表現に対応しています。
- Seedance 1.5 Pro — ひとつ前の世代。速くて経済的な選択肢として今も有効です。
- Kling 2.6 と Sora 2 — 同じ企画で比べてみる価値のある、別の動画モデルです。
- リップシンク と 動画から音声へ — 生成した映像を仕上げるためのツールです。