seedance

Seedance 2.0 — プロンプト作成と機能

Seedance 2.0（ByteDance Seedチームが2026年2月に公開）は、マルチモーダルの音声・動画モデルです。1回の呼び出しでテキスト、画像、音声、動画を入力し、同じ処理でネイティブに同期した音声（セリフとリップシンク、効果音、環境音、音楽）付きの4～15秒のクリップを生成します。

基本的な考え方 — 以下の判断すべての指針です： Seedance 2.0は、形容詞を使ってアイデアを膨らませるムードボードではなく、映画の撮影クルーに指示を出すように演出する 物理・撮影シミュレーター です。物理的な相互作用（「濡れたアスファルトで車が方向転換し、タイヤから煙が上がる」）や演出用語（「ゆっくりドリーイン」「ゴールデンアワーのリムライト」）を描写します。曖昧な形容詞（「シネマティック」「壮大」「素晴らしい」）では描写できません。雰囲気ではなく、ショットの指示を書いてください。

機能の概要

モード	入力	用途
テキストから動画（T2V）	プロンプトのみ	シーンをゼロから生成
画像から動画（I2V）	開始画像1枚＋プロンプト	既存の静止画をアニメーション化
最初と最後のフレーム	画像2枚（first_frame+last_frame）＋プロンプト	制御された遷移／見せ場／ビフォーアフター
参照から動画（R2V）	画像1～9枚＋動画3本以下＋音声3件以下（ファイル最大12件）＋プロンプト	キャラクター／スタイル／動き／オブジェクトの一貫性、音声、「オムニ」構成
マルチショット	ショットリスト／タイムラインを含むプロンプト	1回の15秒生成で短いストーリー（最大約6ショット）
動画の延長	既存のクリップ＋プロンプト	クリップを連結して15秒を超えて継続

ネイティブ仕様： ネイティブ解像度480p／720p（ホスティングプラットフォームでは1080pおよびネイティブ4K）、4～15秒、24 fps、アスペクト比 auto, 21:9, 16:9, 4:3, 1:1, 3:4, 9:16。音声はデフォルトで有効（generate_audio: true）で、追加料金はかかりません。完全な仕様、アクセス方法、モデルID、料金、APIリクエストの形式については references/access-and-specs.md に記載されています。モデルの呼び出し方／アクセス方法や正確な制限を尋ねられた場合は、こちらを参照してください。

汎用プロンプトの公式

順序が重要です。モデルは左から右へ読み、前方の指示を最も重視します。最初の2～3個の指示は確実に反映されますが、要件が約8個を超えると遵守度が下がります。被写体と動作を最初に指定してください。

[Subject] + [Action] + [Environment] + [Camera] + [Lighting] + [Style] + [Constraints]

• 被写体 — 誰／何か。素材、年齢、服装を具体的に記述します
• 動作 — 現在形で明確な動作を1つ。複雑な振り付けは「溶ける」原因になります
• 環境 — 場所、時間帯、天候
• カメラ — 主な動き1つ＋ショットサイズ（以下のルールを参照）
• 照明 — 最も効果の大きい要素。必ず明示します
• スタイル — 具体的な監督名／フィルムストック／ムーブメントを2～3個。曖昧な形容詞は使いません
• 制約 — 固定する要素に加え、長さとアスペクト比

1ショットの目標は60～100語です（上限は約3000文字。約150語を超えるとモデルが指示を平均化し始めます）。キーワードの羅列ではなく、自然な演出用の文章を書いてください。

記述例：

「黄色いレインコートを着た年季の入った漁師が、小さな木造船の縁越しに網を引き上げる。灰色の荒れた海、夜明け、小雨。カメラは水面からゆっくりと追尾し、穏やかに上昇する。曇り空から差す強いリムライト、彩度を落としたティール調、35mmフィルムグレイン。水の重みとロープの張力をリアルに表現し、足元をしっかり固定する。8秒、16:9。画面の揺れや曲がった手足は避ける。」

最優先ルール（特に効果の高いルール）

1. 1ショットにつき、主なカメラの動きは1つだけにします。「ゆっくりとしたプッシュイン」✅。パン＋ズーム＋ドリー＋手持ちを重ねるのは❌ →「ごちゃ混ぜ」になります。
2. 1つの節で、カメラの動きと被写体の動きを混ぜないでください。 ✅「ダンサーがゆっくりと回転します。カメラは固定フレームを保ちます。」 ❌「踊る人物の周りをカメラが回転する」→映像が揺れます。
3. **照明を明示してください。**プロンプトを改善するために1つだけ加えるなら、照明の説明を加えてください。
4. **形容詞ではなく、物理的な動きを説明してください。**重さ、摩擦、衝撃、布や液体の動きを説明します。単独で「速い」と書くのは避けてください（品質を損なう最大の原因です）。ペースを「ゆっくりと、滑らかに、段階的に」のように具体化し、速度は1つの要素にのみ適用します。
5. 具体的なスタイルの手がかりは、曖昧な言葉より効果的です。「ウェス・アンダーソン風の対称性、35mm Kodakの粒状感」✅。「美しい、映画的、壮大」❌。
6. **参照ベースのプロンプトや複数ショットのプロンプトでは、状態を一貫させるための固定条件を明記してください。**そうしないと、キャラクターや衣装にずれが生じます。
7. **複数ショットでは、ビートの数を尺に合わせてください。**約5秒なら2～3ビート、10秒なら4ビート、15秒なら5～6ビートです。各ビートにつき、動作1つ＋カメラの動き1つとします。

これらのルールに加え、カメラ、動き、スタイル、複数ショット、ネガティブプロンプトに関する用語集と、10件の作成例が references/prompting.md に記載されています。複雑なプロンプトの作成、カメラの演出、複数ショットのストーリーボード、または出力のアーティファクトの原因を調べる場合は、こちらをお読みください。

参照タグの基本

画像、動画、音声を添付する場合は、@Image1、@Video1、@Audio1（入力順に番号を付与）を使って、説明文の中で参照を指定してください。また、それぞれの参照が何を制御するか（人物の同一性、カメラの動き、スタイル、音声など）を必ず明記してください。「参照は @Video1」のような曖昧な指定は、よくある失敗の原因です。

• ✅「@Image1 の黒く巻き毛の女性がネオン街を歩きます。カメラの動きのみ @Video1 を参照します。BGM は @Audio1 を使用します。」
• ❌「女性、@Image1、ダンス、@Video1、夕日、4k。」（キーワードの羅列＋参照の用途が不明）

実在する人物の顔を直接参照画像としてアップロードすることはできません（ディープフェイク対策）。バーチャルポートレート、または登録済みアセットライブラリ（asset://<ID>）を使用してください。参照モード、キャラクターの一貫性を保つワークフロー（参照パック）、スタイル変換、画像仕様、開始フレーム／最初と最後のフレームの仕組み、クリップの続きの生成については、すべて references/references-and-frames.md に記載されています。参照、開始フレーム、キーフレーム、またはショット間の一貫性が関係する場合は、こちらをお読みください。

音声の基本

音声はネイティブに生成され、同じ処理で映像と同期されます。プロンプトの説明文で音声を指定してください（音量パラメーターはありません）。

• セリフ — 話す言葉を二重引用符で囲み、短くします（10秒なら約12語、15秒なら約20語を目安にしてください。これを超えるとリップシンクがずれます）。例：The man leans in and says: "Remember this moment." 続けて話し方を指定します。例：dry, a little proud。
• 効果音 — 音源と素材を指定し、必要に応じてタイムスタンプを付けます。例：SFX: boots on wet cobblestone; thunder crack at 3s。
• 音楽／環境音 — 短い「サウンドの指示」を書きます。例：Audio: low acoustic guitar, distant rain, no voiceover。
• 不要な音楽を抑える — オープンプロンプトでは、デフォルトで「自動車広告風」の音楽が流れます。文字どおり no music と記述してください（完全な無音にする場合は、silent, no dialogue, no ambient, no audio of any kind）。

セリフの構文、リップシンクの条件、参照音声のクローン作成（@Audio）、対応言語、generate_audio トグル、ミックスの優先順位、制限事項については、references/audio.md に記載されています。動画にセリフ、効果音、音楽、または音声の制御が必要な場合は、こちらをお読みください。

ワークフロー

1. 意図を明確にする — 被写体、動き、雰囲気、長さ、アスペクト比を確認します。参考画像／フレーム／音声はありますか？
2. 機能一覧からモードを選択します。
3. 汎用フォーマットを使ってプロンプトを作成し、必須ルールを適用します。詳細を確認するには、該当するリファレンスファイルを読みます。
4. 該当する場合は、@ タグと明示的な用途を使って参考資料／音声を追加します。
5. 反復の進め方を提案します。まず Fast ティアで短いドラフト（5s）を作成して説得力を確認し、その後、標準ティアでより長い動画を仕上げます。プロンプトの小さな変更でも大きく変わることがあるため、一度に一つずつ変更します。
6. ユーザーが API を呼び出す場合は、正確なモデル ID とリクエスト形式を references/access-and-specs.md から取得します。

事前に伝えるべき主な制限事項

1回の生成につき最大15sです。複雑な複数人のシーンでは、動きや物理法則が破綻することがあります。画面上のテキストはうまく描画されないため、後処理でテキストを追加してください。長尺または人物が多いクリップでは、キャラクターの同一性が変化します。英語以外のリップシンクは精度が低く、複数話者の同期は未解決の課題です。LoRA／ファインチューニングには対応していません（クローズド、API 専用）。IP 保護措置により、実在人物の顔を使った参考資料や、著名人名／商標を含むプロンプトはブロックされます。詳細は references/access-and-specs.md を参照してください。