Seedance 2.5をAI動画に活用する方法：私の映画的ガイド
正直に言うと、Seedance 2.5を使った最初の3日間は、まさに悪夢でした。キャラクターには注意をそらすような顔のけいれんが現れ、滑らかなカメラの動きによって4秒も経つ頃には皮膚がプラスチックのように見えてしまい、台詞シーンでは音声が混沌としてしまいました。何十回もの無駄なレンダリングを繰り返した後、私はもうフレームごとのアニメーションに戻るしかないと思いました。
そこで、プロンプトの書き方を変えました。Seedanceを魔法のようなテキスト・ツー・ビデオの箱だと考えるのではなく、各ショットをまるでパフォーマンスのように、秒単位で細かく指示し、動きや静止、参考となる役割まで明示するようにしました。
同じリファレンスと設定のもと、2つのプロンプト手法でそれぞれ10本の対応する台詞シーンを試し、合計20の出力を得ました。同じリファレンスと設定でも、段落形式のプロンプトでは10本中4本しか使えそうな結果が出たのに対し、タイムコード付きビートでは10本中8本が有効でした。このガイドでは、その違いを生むワークフローについて解説します。
短時間回答：私の成果を向上させた4つのルール
このガイドから4つだけ覚えておきたいなら、次のルールを守ってください：
- ドラフトモードでテスト：フル解像度のレンダリングにクレジットを費やす前に、480pでカメラの経路やリップシンクを確認しましょう。
- タイムコード付きビートを使う：各ショットを0〜3秒、3〜6秒など、明確に区切られた時間帯に分割します。
- 静止すべき部分を明示する：「動かないで」といった否定的な指示に頼らず、固定される体の部位を具体的に記述します。
- 各リファレンスアセットに一つの役割を与える：@Image1は俳優のアイデンティティ、@Image2はライティング、といった具合に使い分けます。
私のSeedance 2.5制作ワークフロー（4ステージ）
以前は、すべてのショットをすぐに1080pでレンダリングし、カメラが意図しない方向へ動くたびにクレジットが消えていくのを見ていました。現在は、4段階のパイプラインを使っています：
[ステップ1：4枚組み参照シート] → [ステップ2：480pのドラフトテスト] → [ステップ3：修正＆検証] → [ステップ4：1080pのマスターパス]
ステップ1：多角度の参照シートを準備する
Seedanceに単一視点のリファレンス画像を入力すると、キャラクターが元の角度から向きを変えた際に顔の歪みが生じることがよくあります。そこで私はまず、正面、3/4側面、横顔、クローズアップの4枚構成の2Kサイズの参照グリッドを作成します。これにより、モデルは複数の視点からキャラクターを広く把握できるようになります。
ステップ2：480pで動きをテストする
Gumaでは、480pのドラフトモードでのレンダリングは、フル1080pの約3分の1のコストで済みます。より多くのクレジットを投入する前に、カメラのスピード、ショットの構図、台詞のタイミングを確認するために、ドラフトモードを利用します。
ステップ3：タイミングとリファレンスの矛盾を修正する
フルクオリティに進む前に、480pのプレビューを以下の6つの典型的な失敗ポイントと照らし合わせてチェックします：
- カメラは意図した方向に追従しているか？
- キャラクターはフレーム内の指定された位置に留まっているか？
- 台詞の間に身体表現を行うための十分な沈黙が確保されているか？
- リップシンクは発話のペースに合っているか？
- 背景要素が被写体の衣装に漏れていないか？
- バーチャルレンズが近づくにつれて顔のディテールが劣化していないか？
ステップ4：最終的な1080p版を生成する
480pのプレビューが検証を通過したら、Guma内で7日間のウィンドウ内にEnhance Draftを起動します。これにより、ドラフトモードで確認した動きを保持したまま、フル1080pのマスターパスがレンダリングされます。
プロンプト段落よりもタイムコード付きビートを使う
比較テストの結果：段落形式のプロンプトでは10本中4本しか有効な出力が得られましたが、タイムコード付きビートでは10本中8本が有効でした。
段落形式では、ショットの一部が未指定のままになると、モデルが不要な瞬きや頭の動き、表情の変化でその空白を埋めてしまうことがよくあります。一方、タイムコード付きビートは、その曖昧さを明確なアクションの順序、一時停止、そして終了状態に置き換えます。
15秒のカフェでの台詞シーン用プロンプトの全容
以下は、制御されたコーヒーショップのシナリオからの例です：
- [全体設定]：35mmレンズ、タングステン照明、手持ちカメラの微妙な揺れ、自然なフィルムノイズ。@Image1は〈女性〉、@Image2は〈男性〉のリファレンスとして使用。
- 0〜3秒：〈男性〉は小さな木製テーブルの向かいに座り、両手を平らに置いています。「ちょっと話したいことがあるんだ」と静かに語ります。
- 3〜6秒：沈黙。〈男性〉は完全に固まったまま。〈女性〉はティーカップに視線を落とし、あごを下に押し込み、唇をそっと閉じます。終了状態：あごがしっかりと下にロックされています。
- 6〜9秒：沈黙。〈女性〉はゆっくりと、慎重にひとつの瞬きを行います。それ以外の表情は一切変わりません。
- 9〜12秒：〈女性〉のあごがわずかに持ち上がり、目が上へと移動して〈男性〉の目を見つめます。
- 12〜15秒：彼女は静かに「聞いてるわ」と答えます。表情は依然として深く抑制されています。
終了状態が重要な理由
各ビートの終わりに物理的な状態を明示することで、次のタイムスタンプに向けて安定したスタートポーズを提供し、不要な顔や体のずれを減らすことができます。
AIの過剰な演技を防ぐためにポジティブな静止を活用する
私のテストでは、「動かないで」や「瞬きしないで」といった否定的な指示よりも、固定すべきものを具体的に述べる方が信頼性が高かったことが分かりました。静止を積極的な条件として表現することで、より一貫した結果が得られました：
| 弱い否定的指示 | より良いポジティブな静止指示 |
|---|---|
| 動いたりぴくぴくしたりしないで | 頭は完全に静止したまま。 |
| 瞬きしないで | 目は開いたまま、カップに固定。 |
| 表情を出さないで | 顎、眉、唇は一切動かない。 |
| 振り向かないで | 肩はカメラに対して真っすぐ。 |
ポジティブな静止は、単なる動きの抑制以上の意味を持ちます。別のキャラクターが話したり行動したりする間、モデルが維持すべき特定の身体状態を提供するのです。
各リファレンスアセットに一つの役割を与える
複数のリファレンスアセットをアップロードする際、それぞれの役割を明確に定義しないと、「コンセプトブリーディング」が起こり、背景のテクスチャがキャラクターの顔や衣装に影響を及ぼすことがあります。私は各@リファレンスに明確に定義された役割を割り当てています：
- @Image1 — 俳優のアイデンティティ：顔の特徴と衣装のみを@Image1で表現。元のスタジオ背景は無視。
- @Image2 — 環境とライティング：背景の建築物と色調補正のみを@Image2で表現。画像内の人物は一切無視。
- @Video1 — レンズと動きの制御：@Video1のカメラ経路と追跡速度を再現。ビジュアルスタイルは無視。
- @Audio1 — 声のリファレンス：〈男性〉の声質とペースの基準として@Audio1を使用。
こうした役割の分離により、モデルが各アセットを理解しやすくなり、リファレンスの競合も診断しやすくなります。
フォトリアリスティックな仕上がりを目指すCTLフォーミュラ
合成っぽいレンダリングを避けるため、私は視覚的なプロンプトをCTLフォーミュラに基づいて構築しています：
- C — カメラ：レンズ、フレーミング、動きを定義。例：35mm単焦点レンズ、低角度の追跡ショット、浅い被写界深度。
- T — トーン：光源、色温度、影の振る舞いを定義。例：涼しい朝の窓辺の光、ムーディーなタングステンキー光、柔らかな影の落ち込み。
- L — 生き生きとした質感：目に見える表面のディテールや不完全さを定義。例：マットな肌、目立つ毛穴、微妙なスペキュラー反射、自然な布地の反応。
これは、「4K」「フォトリアリスティック」「シネマティック」といった大まかな品質表現を積み重ねるよりも、はるかに精密です。
Seedance 2.5のGumaにおける仕様
Guma内でのSeedance 2.5の運用パラメータは以下の通りです：
- 長さ：4〜30秒のワンショット生成に対応。
- マルチモーダル制限：最大50のリファレンスアセットを受け入れ、うち画像は最大30、短編動画は10、音声クリップは10まで。
- アスペクト比：16:9、9:16、21:9、1:1、4:3、3:4に対応。
- ネイティブなオーディオ同期：ダイジェティックな効果音、環境音、そしてリップシンクされた台詞を一度に生成。
よくある問題とトラブルシューティング
| 問題 | 考えられる根本原因 | 実践的な解決策 |
|---|---|---|
| クローズアップで皮膚がプラスチックのように見える | クローズアップ時のニューラルスムージングによるもの。 | 追記：「高周波数の毛穴やスペキュラー反射を保つこと。同じ写真でも、もっと近くで撮ればいい。」 |
| キャラクターの位置が入れ替わる | 左右の空間的配置が失われる。 | 座標を固定：〈男性A〉はブースの左側に厳密に配置、〈女性B〉は右側に留める。 |
| 不要な背景音が混入する | 空いた音のスペースに自動的に音が埋め込まれる。 | 境界を追加：音楽はなし。環境音と台詞のみ。 |
| リップシンクがずれる | 発話のペースがタイムスタンプに収まりきらない。 | 台詞の文字数を減らすか、タイムスタンプを2〜3秒拡張。 |
よくある質問
複数のシーンで一貫したキャラクターの声を保つにはどうすればよいですか？
発音の豊かさを持つ5秒のクリーンな音声クリップを録音し、それを@Audio1としてアップロードして、関連する各プロンプトビートで参照してください：〈男性A〉の声質の基準として@Audio1を使用。
Enhance DraftとUpscaleの違いは何ですか？
Enhance Draftは480pのプレビューを処理し、潜在的な空間からネイティブな1080pのフルクオリティパスを生成します。Upscalingは、すでに生成された映像の解像度を後処理で引き上げる手法です。
なぜSeedance 2.5は私の否定的なプロンプトを無視するのでしょうか？
モデルはポジティブな状態の記述により一貫して反応します。「頭を動かさないで」という命令を「目が左に追従している間、頭は固定」といった具体的な制約に置き換えてみてください。
最終プロンプトチェックリスト
最終的なショットを生成する前に、以下の項目を必ず確認してください：
[ ] 各主要なアクションが明確なタイムコード付きビートに割り当てられているか？
[ ] 各リファレンスアセットに明確に定義された役割があるか？
[ ] 話していないキャラクターが静止すべき内容を明示しているか？
[ ] 被写体の左右の位置が明確に固定されているか？
[ ] 台詞が割り当てられた時間範囲に収まるよう簡潔に書かれているか？
[ ] 一般的な品質表現に頼らず、レンズ、光源、表面の質感を定義しているか？
[ ] 最終版を生成する前に480pで動きをテストしているか？
次のステップ
次回のシーケンスでは、同じリファレンスアセットをそのまま使い、2種類のテストバージョンを生成してください：ひとつは従来の段落形式のプロンプトで、もうひとつはポジティブな静止を伴うタイムコード付きビートで。
顔の安定性、カメラのタイミング、キャラクターの位置、台詞のペース、リファレンスの一貫性などを比較し、構造化されたプロンプトがどこで役立つか、またモデルがまだどの点でより明確な指示を必要としているかを確認してください。