最新動画モデル「Seedance2.0」徹底検証！プラットフォーム比較と作品活用術

【2026/4/18更新】「検証２：動画の修正」に＜オブジェクトの消去＞を追記しました。

＜記事内容の要約＞

・Seedance2.0をどのプラットフォームで使うべきか、Freepik・Higgsfield・Runway・Dreamina・ComfyUIを実際の料金感と使い勝手で比較

・効果的なプロンプト表現、特に生成拒否されない方法についてあれこれ検証

・動画の差し替え・延長・修正のほか、漫画コマ化・LoRA用素材づくりも実験して、作品作りへの活用法を検討

こんばんは、スタジオ真榊です。今回は各生成プラットフォームでも利用できるようになった最新動画生成モデル「Seedance2.0」の特集です。現行モデルで随一の生成精度を誇り、特に読み込ませた静止画像の一貫性保持力が群を抜いて高いのが特徴。日本語指示でも音声同時生成が容易にでき、TLでも非常に高い精度の動画が次々にアップされています。

一方で、ネックになるのが非常にお高めの利用料金。ComfyUIのAPIノードで生成した場合、7秒動画1本で240円するため、ミナちゃんがセリフを1回噛むたびにお金がすっ飛んでいきます。

そこで今回は、FreepikやHiggsfield、Runwayといった各プラットフォームでの生成コストを比較しつつ、実際の使い勝手や進化ポイント、AIイラストや漫画作りに活かせる使い方はないかをあれこれ検証しました。一貫性保持力やカメラコントロール、シチュエーション指定などは過去見たことがないレベルに高いので、うまく使えばLoRA作りや漫画のコマ生成などにも応用できそうです。

例によってPR案件などではなく、むしろFreepikの年払いが切れた以降の乗り換え先を目下探しているところです。自腹を切って課金した人ではないと本当の使い勝手は分からないので、こっちのほうがいいよ！というプラットフォームがありましたら、ぜひ使用感などをコメント欄で共有して頂けるとありがたいです。

目次

Seedance2.0とは

　Freepik　▶　7秒動画1本88.4円～198円

　Higgsfield　▶　5秒動画1本92～167円

　Runway　▶　無制限生成するならあり？

　DreaminaAI　▶　無料体験なら

　ComfyUI　▶　7秒動画1本240円

プラットフォーム比較まとめ

Seedance2.0の使い勝手は？

　　＜きわどい指示・写実的な人間の顔はNG？＞

Seedance2.0のプロンプト指示

　　＜カメラ動作指示＞

　　＜秒数指示＞

　　＜クォリティ指示＞

　　＜日本語・英語交じりでもOK＞

検証１：動画のキャラクター差し替え

検証２：動画の修正

　　＜オブジェクトの消去＞　New！

検証３：動画の延長

検証４：動画途中からの内容変更

検証５：秒数を指定したカット割り

検証６：漫画のコマ材料を作れるか？

検証７　LoRAのデータセットを作れるか？

　　＜mp4をpngに分解するには？＞

終わりに

Seedance2.0とは

Seedance2.0は、TikTokの親会社で「Seedream」シリーズなどで知られる中国ByteDanceが今年2月12日に発表した動画生成AIモデル。デビューするや否や「ブラッド・ピット対トム・クルーズ」とか「高市早苗首相対ウルトラマン」といったアレすぎる動画が拡散し、Sora2と同様に国際的批判にさらされましたが、その実力は本物です。

まず文字入力だけで動画生成（text2video）ができるのは当然として、最大で9枚までの画像、3本までの動画、および音声を参照させられるのが特徴。もちろん開始・終了フレームの指定もできるので、手元の写真やAIイラストなどを日本語の音声と口パクつきでなめらかに動かすことができます。

生成秒数は5～15秒が基本で、動画サイズは480p/720p/1080pから指定が可能。動画の指定した秒数で場面が切り替わる「マルチショット動画」を一発生成できるほか、ある動画の登場人物を別の人物に差し替える、内容はそのままにカラーやスタイルなどを変更する、静止画として与えたストーリーボードをアニメーション化する…といった高度な指示もなんなくこなしてきます。

性能については記事後半で詳しく見ていくとして、現在ニーズがあるのは「どこで生成するのがベターか」という情報かと思います。既に多くのAI生成プラットフォームでSeedance2.0が使えるようになり、TLでは海外インフルエンサーが余り聞いたことのないプラットフォームをおすすめしまくっているところ。サブスク料金も決してお安くないので、どこで生成すべきか私もよく分からない状況になっています。

そこで以下、現在年払い契約しているFreepikと比較してどのような料金体系、使い勝手かを、主だったプラットフォームで比較しました。サイトごとに値引きキャンペーンや年払い・月払いの価格差、時期ごとのプラン価格の上下などもありますし、一見安く見えても生成速度がナーフされている場合もあり、比較は単純にはいきません。このほかのプラットフォームで生成されている方は、ぜひ使用感などをコメント欄で教えていただけるとありがたいです。

【注意】以下、日本から利用する場合は、それぞれの表示価格に消費税10%が加算されることを前提にお読みください。

Freepik　▶　7秒動画1本88.4円～198円

まずはスタジオ真榊が昨年9月から年払い契約している海外プラットフォーム、「Freepik」から。

スペインに本社があり、もともとはAdobeStockのような画像素材を制作していた企業です。動画生成系の企業やアップスケーリングのMagnific社などを買収して事業拡大。サイト上ではNanoBananaProやSeedream4.5、Seedance2.0など一通りの主要モデルで画像・動画生成が可能です。AIイラストの背景や小物、ポーズ素材や動画の参照元に使えるストックフォトやストック動画がたくさんあるのもポイント。（※使用用途の個別ライセンスに注意）

生成コンソールはこのような感じで、比較的きれいに日本語表示してくれますし、シンプルで使いやすいです。

記事執筆現在のプラン別料金はこちら。（下図は機械翻訳です）

現在加入しているのは、一定の無制限生成が可能な「Premium+プラン」。加入当時、さらに50%OFFになるクーポンコードを入手した（フォロワーさんに教えて頂いた）ので、月あたり1,828円までディスカウントしてもらえました。Premium+プランでは月45,000クレジット付与されるので、年払いにすると60万クレジットを最初にもらえる計算です。

Premium+プランとProプランには「unlimited（無制限）モード」というものがあり、それぞれ指定されたモデルをクレジット消費なしで月に一定回数利用することができます。この回数を超えると生成速度がガタ落ちするので、クレジット消費で快速に戻すか、ガタ落ちしたまま来月までクレジット消費0で生成するかを選ぶ仕組み。ただし、最新のSeedance2.0は残念ながらunlimitedモードの対象外ですので、どのプランを契約していても必ずクレジットを消費します。

では本題、Seedance2.0はどれくらいクレジット消費するのか。結論から言うと、「720p/4秒」の動画を1本生成するのに1,128 credit消費します。「720p/5秒」なら1,417credit、「720p/7秒」だと1,976creditに増えます。よって4秒動画の場合、Premium+プランでは4秒動画を月39本、年払いなら年531本生成したら使い切る計算になります。ちなみに、一番安いEssentialプランを今月だけ入ると、1500円で8000クレジットしかもらえないので、7秒動画を4本生成したら終わり。これだと7秒動画1本あたり370円となるので、超割高ですね。

スタジオ真榊が加入した昨年9月当時のPremium＋プラン（50％オフクーポン適用・年払い）は、税込み24,131円で年間54万クレジット付与でした。720p/7秒の動画を基準にすると、年間273本で使い切るので、24,131円割る273本＝動画1本あたり88.4円という計算になります。ComfyUIのAPIだと7秒動画1本あたり240円なので、これは良心的な価格設定と言えそうです

　　　　　　　　　　▲加入当時のスクリーンショット

ちなみに、これまで7か月間主にNanoBananaProと2、Seedream4.5、Seedream5liteを使いまくってきましたが、基本的にほぼUnlimitedモードが適用される2Kサイズで生成してきたため、5万クレジットほどしか消費していませんでした。ただ、今回Seedance2.0が来てからは1000～2000creditの動画を連続生成しているので、ここ数日で更に5万クレジット近く消費しています。それでもまだまだ残額がありますね。

ただし、私の契約内容は昨年9月の話。現在の価格表通り「月払い4,356円」でPremium＋プランに加入した場合で計算すると、45,000creditで7秒動画を月22本生成できるレートですから、1本当たり198円とだいぶお高くなってしまいます。生きているクーポンコードがあるかどうか（Stripeの支払い画面で入力してディスカウントが適用されるかどうか）は時期によるので、「Freepikに入るべきかはクーポンコードのあるなしで決まる」ということになるかと思います。

　　　　　　　　　　　　▲Freepikの使用画面

Higgsfield　▶　5秒動画1本92～167円

「Higgsfield」も、最近名前をよく聞くAI画像・動画生成系プラットフォーム。運営元は2023年に設立され、米サンフランシスコに拠点を置く同名のAI企業です。現在、Seedance2.0が7日間無制限で生成できるのを売りに新規加入者を募っています。

こちらが料金表。「スターター」「プラス」「ウルトラ」「ビジネス」の４プランがあり、年払いすると30%OFFになります。「ウルトラ」以上は月に付与されるクレジットを３パターンから選べるようになり、多いほど料金が高くなる仕組み。Freepikと似た期間限定の無制限生成モードや、プロモーションセールなどがあります。

Seedance2.0が使えるのは月49ドル（年払いなら月29ドル＝4611円）のPlusプランから。Plusプランはクレジットが月1,000credit付与され、使い終えないと消滅するNovelAI形式です。（※その月に700creditしか使わなかったら、次の月になって補充されるのはその700credit分だけ）

旧NanoBananaなど365日クレジットを消費しないモデルもありますが、NanoBananaProやSeedance2.0などは7日間のフリータイムが過ぎると容赦なくクレジットを消費するようになります。Seedance2.0のクレジット消費量は「20credit/5秒」なので、Plusプランの1000creditだと720pの5秒動画が月50本生成できる計算。年払いで月29ドル（4611円）＝50本生成ですから、Seedance2.0の5秒動画1本あたりの値段は92円となります。

クレジットを追加購入する場合の料金設定はこちら。小口購入だと1ドルあたり16credit、大口購入だと21creditになります。20ドル（3180円）で380credit買えるので、5秒動画1本あたり20creditで計算すると19本。つまり1本当たり167円となり、毎月もらえるcreditで生成した場合よりもレートが悪化しますが、それでもクーポンなしのFreepikよりは安くなります。（NanoBananaProなどの料金は考えないものとする）

ちなみにこちらの報告では、年払いで８秒生成が無料生成できる契約があったそう。過去に「一定期間85%OFFのプロモがあった」という話も耳にしたので、加入する場合はよく調べたほうがよさそうです。

Runway　▶　無制限生成するならあり？

次は、動画生成プラットフォームとして知られる「Runway」。運営するのはStable Diffusionの開発にも関わった、動画生成モデル「Gen」シリーズを手掛ける米国のスタートアップ企業です。

プランは無料の「Free」と企業提携用の「Enterprise」を除くと「Standard」「Pro」「Unlimited」の3段階あり、Standardプラン以上でSeedance2.0での生成が可能です。記事執筆時点の公式料金表はこちら。

年払いで20%OFFにすると、Standardプランが月12ドル（1908円）、Proプランが月28ドル（4452円）、Unlimitedプランが年払いで月76ドル（12,084円）です。月に付与されるクレジットはStandardが625credit、ProとUnlimitedは2250creditとなっています。

Seedance2.0のクレジット消費量は「1秒当たり36credit」ですので、7秒動画だと1本252creditも消費することになります。

月1,908円払うスタンダードプランでも月18秒しか生成できないわけですから、これはかなり高額な価格設定と言えます。一方、Unlimitedプランでは「Explore（探索）モード」という低速無制限モードを使用でき、Seedance2.0でもクレジット消費なしでの生成が可能になります。

Unlimitedプランではクレジットを消費するCreditモードとExploreモードを切り替えて生成する仕組みですが、本数は無制限でも生成速度は遅くなります。Exploreモード目当てに1か月だけ95ドル（税込みで16,615円）でUnlimitedプランに加入した場合、2250クレジットではSeedance2.0で7秒の動画を8本しか生成できませんが、Exploreモードでは（低速ではあるものの）無制限生成が可能という整理です。

こちらの投稿では「新規のお客様は、プロモーションコード"SEEDANCE"を使用して、当社の有料プランの3か月間を50%オフでご利用いただけます」とあるのですが、試しに入力したところ無効になっていました。Seedance2.0でこれから何百本も動画を生成するクリエイターさんなら選択肢になってくると思いますが、私のような趣味の生成で使うにはかなりお高めの印象ですね。

Dreamina　▶　無料体験なら

「Dreamina」は、開発元のByteDanceが提供する画像・動画生成ツール。他のAIプラットフォームのようにNanoBananaなどの主要モデルがたくさん使えるわけではありませんが、Seedance2.0やSeedreamといったByteDance社のモデルで生成を行うことができます。

ベーシックプランが0円で7日間契約でき、1か月目は1380円と比較的安価でSeedance2.0を利用できます。さらに毎日225creditの無料配布もあるので、公式だけあって割と良心的なイメージです。

試しに、7日間の無料トライアルに加入してみました。サブスクリプションはいつでも解約できますが、無料体験は7日後に終了し、残り24時間を切ったタイミングで初月の自動更新となり、1,380円が請求されます。よって、5日目までに余裕をもって解約すれば0円で560クレジット得られ、1,380円払ってもよい場合はさらに2420クレジット（もしくは差額の1860クレジット？）得られるしくみのようです。次月以降はディスカウントがなくなり、月額2,300円にアップします。

生成画面はこのような感じでごくシンプル。0円で560クレジット＋毎日配布の225クレジットが得られ、Seedance2.0での5秒動画は1回120クレジットで生成できるので、「とりあえず無料で５、６回くらいSeedance2.0での動画生成を試してみたい」という方にはよさそうです。（※ちなみに、通常のSeedance2.0と別に、より高速で安価な「Seedance2.0fast」があるので生成時はご注意ください）

ただ、妙な動作をすることも。私が試した際にはこのように、指示した日本語のセリフが勝手に英訳されて生成されるケースがありました。

プロンプト指示：右の女性が「あのさぁ…。なんか最近…あたしばっかひでぇ目に遭ってる気がするんだけど？」といい、左の人物が「う、うーん…」と困った顔を浮かべる

プロンプトの最後に「セリフは全て日本語です」と指示して生成し直したら日本語にはなりましたが、今度は入力した内容を一回別言語に翻訳して再び戻したようなセリフ内容になってしまいました。

もちろん毎回そうした結果になるわけではなく、日本語で指示通りの生成も普通にできました。ただ、Freepikで生成する場合とときどき反応が異なるように感じたのも事実。このようにテロップが文字化けしてしまうこともあったので、やや不安な感じがあったことは申し添えておきます。

試行回数が多くないためはっきりしたことは分かりませんが、有償契約を検討されている場合はとりあえず無料体験してみてからにすることをお勧めします。

ComfyUI　▶　7秒動画1本240円

プラットフォーム上で生成する以外に、ComfyUIでAPIノードを使う方法でもSeedance2.0での生成が可能になっています。詳しくはこちらの特集の「有償のSeedance2.0で動画生成してみよう」の項をご覧ください。

APIノード（ComfyUIでは"パートナーノード"）の料金一覧は下記リンクから。ここでも通常の「Seedance2.0」モデルと、より早くて安い「Seedance2.0fast」を選ぶことができ、消費するトークン数と秒数によって細かく料金が変わる仕組みです。

こちらが公式ワークフロー。一例として、720p/7秒の動画を1回生成するのに最大で319.4credit消費します。一番長い720p/15秒だと、最大684.3credit。つまり、7秒動画を1回生成するのにざっくり約240円となる計算です。

場合によってはFreepikやHiggsfieldなどで生成した場合より安くなることもありますが、正直やや割高という感じ。SNSにちょっとした7秒動画を1本投稿するのに240円を何回か回さないといけないのは…やっぱり冷静になるとお高いですね。（いや、この精度のアニメを個人が手で作ることを考えたらとんでもない低コストではあるのですが…）

ComfyUI上で生成するメリットは、やはり自分でワークフローを組んで、その一部としてSeedance2.0を組み込めるということに尽きるでしょうか。たとえば、記事後段でLoRAのデータセットをSeedance2.0で作るということを試すのですが、ComfyUIで生成するならそのままそのmp4を数十枚のpngに分割するワークフローに流し込むこともできますから、そうしたオーダーメイドな使い方をしたい人には選択肢になるかと思います。

プラットフォーム比較まとめ

他にもまだまだfal.aiなど有名プラットフォームはあるのですが、できるだけ早く記事をお届けしたかったので、比較できたのはここまで。各社ともSeedance2.0の登場を商機ととらえているようで、いろいろとクーポンコードや期間限定セール、無料生成期間などを設けて集客しようとしていますね。

全体的な相場感でいうと、「５～７秒の動画1本あたり100円を切るかどうか」が一つのラインかなという印象。当然、ComfyUIの1本240円より高額なレートなら「契約する価値なし」です。せっかくサブスク料金を支払うなら、Seedance2.0だけではなく、そのプラットフォームでNanoBananaProやSeedreamといった画像生成モデルで生成ができたほうがいいですよね。

0円でちょっとだけ体験してみたい場合はByteDance公式のDreaminaでよいと思いますが、NanoBananaProなど他の人気モデルが使えない上、日本語プロンプトがうまく効かないことが分かったので、あくまで無料体験用という感じ。そうなると、FreepikかHiggsfieldでより安いプロモコードをゲットできた方を年払いするのがまず第一選択肢となりそうです。

もし「Seedance2.0で生成した短時間のクリップを繋ぎ合わせて長編動画を作り上げたい！」という場合には、やはりRunwayのUnlimitedプランが魅力的ということになるでしょう。このあたりはユーザーごとにやりたいことが大幅に違うと思いますし、ちょうど１年後もNanoBananaProやSeedance2.0を使っているかというと未来は誰にも分かりません。リスク承知で年払いするなら、相当気前よくディスカウントしてくれるプラットフォームを選びたいところですね。

Seedance2.0の使い勝手は？

さて、ここからは特集後半。Freepikを使った実際のSeedance2.0の生成検証をお伝えしていきます。

動画生成タブのモデル一覧から「Seedance2.0」を選ぶと、このように参照できるメディアや各種設定欄が表示されます。

動画や音声を参照することもできますが、まずはこちらの画像2枚を参照させ、「女の子が白い背景の前に立って何かを悩んでいます。背景には日本語の文字が浮かんでいます。女の子は悩んだ顔のままドリンクの缶を取り出し、ぐびぐびと飲み始めます。白い背景が下からしゅわしゅわした液体が満ちていくように黄色く染まり、文字がモザイクがかかったようになります。セリフはなし」と指示しました。

画面下部では、まず画面サイズを480p/720p/1080pから選び、4-15秒のいずれかの秒数を指定します。アスペクト比は以下の６種類から選ぶことができます。音声を同時生成する場合はON、無音で生成する場合はOFF。音声のあるなしでcredit消費量は変わらないようですが、秒数とサイズは大きいほど多くなり、720pなら15秒で最大の4,251creditとなります。1080pは4月18日から追加され、1080p・15秒だと1生成で10,888creditも消費してしまいます。あわわ…

こちらが720p/5秒/音声ありの生成結果。混み具合にもよるかもしれませんが、出力までに掛かった時間は2分強程度でした。特に指示しない場合はセリフなしになることが多いですが、このようにちょっとした息遣いや自然音などを自然に演出してくれます。

Freepikでは、プロンプト中に半角の「@」を入れると、参照ファイルを指定することができます。例えば「@Image1をストーリーボードとして使う」「@Video1をカメラワークの参考にする」「@Audio1をBGMに使う」といった形で日本語指示すると効くようです。

＜きわどい指示・写実的な人間の顔はNG？＞

プロンプト指示について説明する前に、まず重要なポイントに触れておきます。

Seedance2.0はかなり強めのコンプライアンス対策を敷いているようで、実写風の人間の顔を参照画像にして動画化しようとすると、ディープフェイク警戒で自動ブロックされます。実写風でなくても、オリジナルキャラクターのバストアップの画像を参照させた際に「これは版権キャラではないか？」と確認メッセージが出るケースもありましたし、性的なニュアンスが少しでもあるとダメ。なぜか「この女の子がこうしています」という特に問題のなさそうな指示ですら、頻繁に生成拒否されてしまいます。

モデルの公開当初、アレな動画が拡散して批判が集まった影響なのかもしれませんが、少なくともFreepikでは本当に頻繁にこのようなエラーが起こります。（※ComfyUIや他プラットフォームでも発生を確認していますが、試行回数が少ないので単純比較はやめておきます）

　　　　　　　　　▲Freepik上でよく出るエラーメッセージ

ByteDanceの公式ユーザーガイドでも、「プラットフォームのコンプライアンス要件により、現在、写実的な人間の顔を含むコンテンツのアップロードには対応していません。これは画像と動画の両方に適用されます。ユーザーの権利保護と生成の安全性確保のため、システムはこの種のコンテンツを自動的にブロックし、アップロード時点で動画出力の生成を防止します」とアナウンスされています。

こうした制限があるという前提を踏まえつつ、以下、Seedance2.0のプロンプト指示について分かってきたことをまとめました。

Seedance2.0のプロンプト指示

Seedance2.0に指示する際は、プロンプトの冒頭でまず「何をする動画なのか」を分かりやすく宣言し、そのあとに参照元と役割分担を書き、最後に時間順で動きや演出を積み上げていく書き方が基本のようです。

ただ、プロンプトによっては、特に問題がなさそうな内容なのに「どう言い換えても拒絶される」状態に陥ることもあります。そういうとき、実践上では英語に機械翻訳して指示すると通ることがたびたびありました。日本語で指示するときも、「キャラクター」「女の子」ではなく「右の人物が～」のように指示すると弾かれにくかったり、人物の顔のアップではなくインフォグラフィック内に人物が映り込んでいるような画像を参照させたりすると通りやすくなることもあり、ややコツが必要なモデルと感じます。

　　　　　　　　▲同じ指示内容を英語にしたら通ったケース

プロンプト指示で特に重要なのは、QwenImageEditなど従来の自然言語モデルと同様に、プロンプトの一番最初に来る英単語であるようです。日本語でも通らないわけではないのですが、「Refer to」「Use」「Replace」「Extend」「Begin with」といった、これから何をするのかテーマが明確になる命令動詞を置くことを意識すると、よい結果になりやすいと感じました。

入力したファイルは@video1や@image1と呼称し、「～ of @image1」のように書きます。例えば公式ガイドでは「Refer to the camera movements and scene transition rhythm of @Video 1, and use the red supercar in @Image 1 for replication.」というプロンプト例がありますので、これを参考に機械翻訳やLLM翻訳でプロンプトを作ると安定します。

最初に下記の命令動詞で動画の趣旨を指示し、続いて主人公はどの画像のどれで、@Image1は何用、@Video1は何用、@Audio1は何用と役割分担を書いていきます。

「Replace」：動画内のキャラやオブジェクトを別のもの（指示画像）に置換する

「Change」：部分変更。キャラの表情や髪型の変更など

「Use ～ as the first frame」：開始フレーム指定（Freepikでは専用欄あり）

「Extend」：動画の延長。入力動画の最後のフレームから始まることが多い

「Edit the video」：入力動画の編集。

「Remove」：登場する人物やオブジェクトを除去する。秒数指定が可能なもよう。

英語プロンプトを自分で打つ必要はありませんので、自動翻訳かLLMで出したものをちょちょっと直す程度でよいでしょう。続いて、以下のような言葉でカメラ動作も指示できます。

＜カメラ動作指示＞

「fixed shot」：カメラ位置を固定する

「close-up」：顔や手元、小物などの細部に大きく寄って見せる

「aerial shot」：俯瞰。上空や高所から見下ろすように全体を捉える

「first-person perspective」：pov。一人称視点にする。

「single continuous take」：途中でカットを入れず、一続きのワンショットで見せる。

「the camera follows～」：カメラが被写体を追いかけながら移動する。

「the camera slowly pulls back」：カメラがゆっくり後ろへ引く。視野を広げていく。

「the screen fades to black」：画面が徐々に暗転して黒く切り替わる。

ちなみに、Freepikには入力画面に「Motion」欄があり、このようにあらかじめ用意されたプリセットからカメラの動きを指定することもできます。ただし、あまり指示や参照ファイルが多すぎると、生成がガチガチに縛られてしまって不自然な動画になることも覚えておきましょう。

＜秒数指示＞

「0-2 seconds：」「3-5 seconds：」などと指示することで、複数のシーンを切り替えたり、その秒数から変化を加えたりすることができます。これを応用すると、「3.2秒に出てきたこの人物を削除してください」などと指示することも可能なようです（ただし、こうした秒数指定の修正指示はやや難しいようで、実践ではそこまで安定しませんでした）。

＜クォリティ指示＞

danbooru式のようにいわゆる「クォリティタグ」の羅列を最後に書き添えるのも効果があります。例えば「24FPS、日本の高品質なアニメ、メリハリのある動き、高精細、4K、cinematic lighting、dynamic camera work、dynamic angle」のような感じ。ここも自分で書き連ねるより、プロンプトはChatGPTやClaude、GeminiなどのLLMに参照画像と狙いを伝えて組ませた方が効率的です。また、自分のAI絵を動画化する場合は、その画風なども指示するとよいでしょう。（"高品質なアニメ画風"や"アナログ感のある線画"など）

＜日本語・英語交じりでもOK＞

英語プロンプトにする際、問題になるのが日本語のセリフをどう表現するかです。例えば「女の子がいすに座って、楽しそうに『へへーっ、高そうな椅子に座ってますなあ』と言う」というプロンプトが拒否された場合に、そのまま英語訳して入力するとセリフ音声も英語になってしまいます。

そういう場合は「The girl rocks the chair back and forth with a smile and says in Japanese, “へへーっ、高そうな椅子に座ってますなあ”」というように、セリフ部分だけを日本語で書いて、「says in japanese」などと書き添えてやるとうまくいきました。ただし、このあたりはプラットフォームによってプロンプトのモデルへの送り方が違う可能性があるので、反応が異なることもあるかもしれません。

以上を踏まえて、あれこれ条件を変えて生成検証してみます。

検証１：動画のキャラクター差し替え

こちらの動画は、2025年8月にWan2.2を駆使して作ったものです。こちらのミナちゃんを、別キャラクターに変更することができるか試してみます。

指示内容はこのような感じ。Video1にさきほどの5秒動画を、Image1として別のキャラ（鬼怒川さん）の画像を入力しました。まずは日本語指示で試します。

ところが、「人物の入れ替え」というリクエストからディープフェイクを警戒したのか、これがなかなか通りません。「人物を」と言い換えてもダメでした。

日本語ではどう言い換えてもダメだったのですが、「Replace the character from @Video 1 using the character from @Image 1」と英語で言い換えたところ、ようやく成功しました。音声なしです。

ただし、飛び出してきた鬼怒川さんの顔立ちや瞳のデザインが元動画にひっぱられて、左右非対称になってしまいました。表情や最終カットのヘッドホンも元画像のミナちゃんと同じになっているので、もう少し鬼怒川さんのキャラデザの一貫性を再現したいところです。（動画入力はこんな感じで強力に元動画を参照するので、少し注意が必要です）

検証２：動画の修正

そこで、今度はいまできた入れ替え動画を新たな「@video1」として入力し、修正ができるか試してみます。

まずはストレートに「キャラクターの瞳のデザインや表情を @Image 1 と同じにしてください」と指示してみましたが、やはり拒否されました。英語でやり直してみます。

「make the character's eye design and facial expressions the same as in @Image 1.」と指示すると、今度は生成開始してもらえました。が、瞳のデザインはなかなか直せませんでした。

これなら、この最終フレームをSDXLなどのインペイントで直してしまい、終了フレームとして指定して2点間を推論させたほうが意図通りの結果になるでしょう。Seedance2.0の性能はすさまじいものがありますが、タスクの中にも得意・不得意があるようです。一番安定するのは開始フレームだけを固定した生成で、注文を増やしていくほど不自然な仕上がりになりやすい印象があります。

SNS上の報告ではこちらのような修正例もありますので、「〇〇秒から登場するこの人物を削除して」（例：EDIT THE VIDEO - remove the man in the white shirt who enters the scene at 00:07 seconds. ）といった比較的明確な指示だと通りやすいようです。

＜オブジェクトの消去＞

そこで、動画内容を大きく変更するのではなく、映り込んでいるオブジェクトの除去を試しました。こちらの動画は、「The girl in @Image 1 stops eating her ramen in a real style ramen shop and says, "結局あたしら、ラーメン食べれても食べれなくても文句いわれるんすよね～," and then starts eating her ramen again.Keep the girl in the same 2D anime chibi style.」というプロンプトで生成したラーメン動画です。

5秒動画なので早口なのはしょうがないとして、背後のAI文字化けした店内貼り紙が気になります。これを消したいので、「Remove～」構文を使ってこのように指示しました。（日本語では通らなかったので機械翻訳）

生成結果がこちら。「背後の紙の文字を消してくれ」と指示しましたが、貼り紙ごと消えました。また、入力動画の編集では少し画質が劣化するように感じています。jpg風のブロックが出たり、貼り紙周辺の壁テクスチャがやや不自然に消えていたり、髪の塗りがさきほどよりややもやついているように見えます。

ChatGPTにさきほどのプロンプトを見せて「紙ごと消えちゃったんだけど」と相談して作ってもらったのがこれ。

In @Video1, keep the paper note attached to the character’s back in exactly the same position, size, shape, and texture. Remove only the printed text on the paper. Leave the paper itself intact and blank. Do not remove, shrink, move, or replace the paper. Do not change the character, clothing, pose, background, or camera framing.

ちゃんと紙ごと残りましたが、これはこれで白紙が貼られているように見えて不自然ですね。

AI生成物のつまらないところは、なんとなく言われた通りの正解を出しただけで外連味や観察する楽しさに欠けるところです。そこで、NanoBananaProに頼んでポスターを作ってもらいます。

ミナちゃんの首元に書かれた「ラーメンスタッフ（？）」という文字がAIっぽさ丸出しですが、たぶんこのサイズだと見えなくなるので許可。（気になるならクリスタで塗りつぶしたほうが良いです）

例によってChatGPTに「@video1の背後に、この@image1のポスターを貼ってほしい。プロンプト提案して」と頼み、こちらのプロンプトを用意しました。video1が紙ごと消えたバージョンの動画、image1にさきほどのポスターを入力します。

こちらが生成結果。このように入力動画をいじると画質がその都度劣化してしまうので、この動画の開始フレームやポスター画像だけを画像参照させてイチから動画生成し直したほうが品質はよくなると思います。

検証３：動画の延長

次に、さきほどのミナちゃん動画をさらに5秒延長し、本当にパソコン画面の外に出てくる動画にできるか試します。もとが5秒動画なので、生成設定は10秒にしてみました。

プロンプトは「@Video1を5秒延長する。カメラが引き、パソコン画面の中からキャラクターがよいしょと出てくる」ですが、例によって拒否されたので、英語で「Extend @Video 1 by 5 seconds. The camera pulls back, and a character pops out of the computer screen in a room filled with geeky figurines, looking around with curiosity.」としました。

こちらが生成結果。

というわけで、「Extend」指示の意味を勘違いしていたことが分かりました。5秒の動画を読み込ませて10秒生成したら、後半の5秒が延長されてくっつくのかと思いましたが、実際には5秒動画の最終フレームから繋がる10秒が新たにできる仕組みだったわけですね。入力動画と繋げるには、このように自分でつなぎ合わせないといけないようです。（※動画編集ソフト"Shotcut"を使用）

繋げてみて初めて気づいたのですが、二つの動画でアスペクト比の差も生じており、このようにつなぎ目がガタついてしまいました。フェードさせてごまかすこともできますが、Extendさせる際はきちんとアスペクト比が同じになるように調整する必要があるようです。

検証４：動画途中からの内容変更

今度はこちらの画像を開始フレームとして読み込ませて、単純なimg2videoを試しました。

プロンプトは「The character in the first frame notices the viewer, smiles, and waves. Gripping the white frame, the character pops out of the screen with a little “heave-ho.” The camera pulls back, revealing the character emerging from the monitor of a computer in a geeky-looking room, where they look around the room in wonder. No dialogue.」です。（以下を機械翻訳：ファーストフレームに映っているキャラクターがこちらに気づき、笑顔を浮かべて手を振る。白い枠に手を掛け、キャラクターは画面からよいしょと飛び出してくる。カメラが引き、オタクっぽい部屋に置かれたパソコンのディスプレイにからキャラクターが出てきて、不思議そうに部屋の中を見渡す。セリフはなし）

「オタクっぽい部屋」がギークっぽい部屋（geeky-looking room）と訳されたせいで、どうも小ぎれいな部屋になってしまいました。そこで、私のPCまわりの写真をそのまんま@img1として入力し、以下のように指示しました。

こちらが生成結果。そもそも開始フレームが変更されてしまい、中途半端に@video1の要素が残ったために、全体にかなり妙な動画になってしまいました。複数種類のメディアを参照させるときは、それぞれが一体どのような意図で活用すべきかを細かく指示しないと混乱がおきてしまうようです。

検証５：秒数を指定したカット割り

そこで、「開始フレームはこの画像である」ということを@img2で強調しつつ、以下のプロンプトに変更してやり直してみました。秒数を指定して、そこからこの背景に切り替わるということを強調しています。

すると、開始フレームはきちんと守られ、さきほどよりはかなり改善しました。ただ、動画と写真の整合性が今一つだったために、飛び出してくるシーンはやはりちょっと不自然ですね。

うまく行かなかった原因として、最初のフレームが横長の４：３だったのに対して、椅子の映った写真は縦長の３：４だったため、左右の空間に何があるか想定できず、かなり適当な推論になってしまったことが挙げられます。また、飛び出したあとの画面が違う壁紙になっていたのも整合性を取りにくかったのかなと。

動画を参照させると、かなりその動画の内容・動きに生成結果が強く引っ張られるため、ごく小さな変更にとどめないと不自然な結果になることが多いように感じました。

検証６：漫画のコマ材料を作れるか？

ここまでの検証で分かったのは、Seedance2.0の一貫性保持力の強さとプロンプト追従性の高さです。NanoBananaProのようにかなり強い画像編集モデルでも、画風や顔立ちの変容はある程度避けられなかったのですが、Seedance2.0は入力画像の細部を保ったまま、プロンプトに従った変更を加えられています。

この特性をうまく使えば、漫画のコマを連続生成したり、キャラクターLoRA用のデータセットを作ったり、キャラの表情集などを量産したりすることができるのではないかと考えました。そこで、以前作ったこちらの漫画のコマをSeedance2.0任せで作れるか試してみました。

具体的な作り方はこう。まず、ヒロインとおっさんのキャラ立ち絵を参照させて、5秒の動画に20の静止画カットを連続で表示するよう指示します。ただ、普通に指示したところ、細かいカット割りの普通のアニメーションが生成されてしまったので、いっさい動かない静止画の連続ショットを生成するよう、LLMに意図を指示して以下のようなプロンプトを組ませました。（コピペ用なので読み飛ばし可）

Total Duration: 5 Seconds

Structure: 20 Shots, Rapid Hard Cuts

Goal: create burst frames for still-frame extraction as manga panels

Reference Setup:

Use @Image1 as the housewife character reference.

Use @Image2 as the delivery man character reference.

Refer to @Image3 for manga-style panel composition, framing, and comic pacing.

Core Rules:

Every shot must be a completely static single image.

No character animation.

No blinking.

No mouth movement.

No body movement.

No head movement.

No hand movement.

No pose change within a shot.

No camera movement.

No zoom, no pan, no tilt, no tracking.

No smooth motion.

No in-between animation.

No cinematic continuous action.

Hard cuts only between shots.

Each shot must look like a fully finished manga panel illustration.

Prioritize clean composition, readable silhouettes, clear facial expressions, clear props, and strong panel-like framing.

Visual Style:

Anime-style linework, clean black outlines, cel shading, apartment doorway scene, daytime, manga storyboard feeling, still-frame friendly.

Shot List:

[1] Wide exterior shot of a modern apartment building.

[2] Slightly closer exterior shot of the apartment entrance.

[3] Medium shot of the delivery man standing at the doorway holding a cardboard box with both hands.

[4] Closer upper-body shot of the delivery man in work uniform, polite expression.

[5] Close-up of the cardboard box held in both hands.

[6] Medium full-body shot of the housewife standing inside the entrance hall, one hand on her hip, annoyed posture.

[7] Upper-body shot of the housewife with a skeptical and irritated expression.

[8] Close-up of the housewife’s face, sharp eyes, slight frown.

[9] Side composition of the delivery man presenting a smartphone, frozen display pose.

[10] Medium close-up of the delivery man holding the smartphone toward the viewer.

[11] Close-up of the smartphone screen showing a purple hypnotic spiral interface.

[12] Extreme close-up of the smartphone screen, purple spiral and eye symbol filling the frame.

[13] Medium shot of the housewife in the same entrance position, expression shifting to hesitation, but fully static.

[14] Close-up of the housewife’s face with a slightly dazed expression.

[15] Extreme close-up of the housewife’s eyes reflecting purple light.

[16] Medium close-up of the delivery man with the phone in front, uneasy smile.

[17] Close-up of the delivery man’s face, ominous but polite expression.

[18] Full-body shot of the housewife standing stiffly in the entrance, frozen posture.

[19] Foreground smartphone and background delivery man composition, strong ominous framing.

[20] Final close-up of the housewife’s stunned reaction, frozen like the last manga panel.

こちらが生成結果。

これを分割して漫画のコマにできるかというと…まあマンション外観などはできなくもないのかとは思いますが、あまり賢いSeedance2.0の使い方とは言えなさそうです。なぜなら、これは入力したキャラクターや背景の一貫性を保っているというより、余白部分を自由に想像させている感じの生成指示だからです。それなら普通にSDXLで各コマを作るか、NanoBananaProなどで生成したものをインペイントで画風戻しするいつものやり方のほうが手っ取り早い気がしますね。

せっかく高額なSeedance2.0を使うのであれば、静止画生成ではとてもできないような高度な一貫性保持を試したいところです。キャラクターの立ち絵や部屋を回転させるいつものテストなら、わざわざ動画生成して切り出さなくてもQwenImageEditなどでできる時代。わたしのPC席にミナちゃんを座らせるのもNanoBananaProでできますから、もっと一貫性が求められる作業でないとSeedance2.0の出番はなさそうです。

検証７　LoRAのデータセットを作れるか？

では、いつも試している「同キャラ別カット」はどうでしょうか。こちらの記事ではSeedream4で試しましたが、要するに1枚しかないキャラクターの画像をもとに別アングルや別表情のカットをたくさん量産してもらい、さきほどのように漫画のコマに使ったり、LoRAのデータセットに使うという手法です。

これも、ChatGPT5.4に趣旨を説明して、以下のようなプロンプトを用意させました。読み飛ばしてOKですが、要するに「5秒で40の静止画カットが目にも止まらない速度でバーストします。キャラクターは@image1参照。ツンデレクールでこんな表情やポーズをします」といった内容です。

Total Duration: 5 Seconds

Frame Structure: 40 Distinct Frames

Playback Feel: ultra-fast burst sequence at 24 fps

Goal: generate burst frames for LoRA character dataset creation

Character Personality:

A cool tsundere character. Usually looks irritated, aloof, unimpressed, or slightly hostile. Her default mood is grumpy and guarded rather than cheerful. She rarely smiles openly. Even when embarrassed or flustered, she tries to hide it with an annoyed face, averted gaze, pouty lips, or a defensive posture. She may blush, but the blush should feel reluctant, awkward, and emotionally restrained rather than openly sweet. Her appeal comes from the contrast between cold attitude and subtle vulnerable reactions.

Use @Image1 as the character reference.

Create exactly 40 clearly different static frames in 5 seconds.

This should feel like an ultra-fast flash sequence of still illustrations, not an animated scene.

Each frame should appear only for an instant, almost too fast to read individually.

Do not hold shots for too long.

Do not merge frames into longer animated cuts.

Core Rules:

Every frame must be a fully static single illustration.

No in-between animation.

No transition animation.

No blinking animation.

No lip movement.

No body movement within a frame.

No camera movement within a frame.

No smooth motion.

Replace animation with abrupt frame-to-frame changes.

Use hard-cut frame changes only.

This is a strobing slideshow of still character illustrations, not a cinematic sequence.

Consistency Requirements:

Keep the same character identity, face shape, hairstyle, outfit, proportions, and core design details across all 40 frames.

The character must remain instantly recognizable in every frame.

Variation Requirements:

Create extremely strong variation in expression, head angle, gaze direction, body pose, framing, and camera angle.

Avoid repeated neutral expressions.

Avoid repeated poses.

Avoid repeated bust-up framing.

Avoid similar compositions.

Every frame should look meaningfully different from the previous one.

Expression Requirements:

Use highly exaggerated manga-like face acting.

Allow strong comic deformation in eyebrows, mouth shape, cheek shape, eye shape, and facial tension while preserving the same character identity.

Prefer bold, readable, over-the-top expressions over subtle natural acting.

Include a wide range of expressions such as:

neutral

soft smile

cheerful smile

big open-mouth laugh

serious

determined

annoyed

furious glare

explosive anger

surprised wide eyes

extreme shock face

flustered meltdown

embarrassed blush

pouting face

sulking face

smug grin

sly teasing smile

mischievous grin

deadpan stare

confused awkward smile

panicked face

teary frustration

goofy derpy expression

airheaded blank face

sleepy face

playful wink

overconfident grin

wild comic reaction

huge shouting face

trembling fear face

blank soulless stare

desperate pleading face

overjoyed face

jealous glare

disgusted face

speechless frozen face

Also include some slightly sensual but non-explicit expressions such as:

half-lidded eyes

gentle flushed look

soft inviting gaze

dreamy eyes

teasing smile

lips slightly parted

warm intimate expression

bashful alluring look

confident glamour expression

Pose and Framing Requirements:

Use dramatically varied poses.

Force strong full-body and upper-body variation.

Do not default to repeated bust-up portraits with arms down.

Include extreme body language, dynamic silhouette changes, and visually bold posing.

Include a balanced mix of:

full body

three-quarter body

medium shot

bust shot

close-up

extreme close-up

high angle

low angle

front view

left three-quarter view

right three-quarter view

profile view

looking up

looking down

over-the-shoulder view

Include strongly varied poses such as:

relaxed standing

hand on hip

arms crossed

one arm raised

both arms spread

hand near cheek

peace sign

reaching toward camera

pointing pose

leaning forward pose

leaning back pose

twisting waist pose

looking back pose

fashion pose

glamour pose

pin-up style pose

sitting pose

kneeling pose

cross-legged seated pose

sideways seated pose

collapsed pose

staggering pose

comic recoil pose

startled backward pose

hugging self pose

dramatic reaction pose

jump-like frozen pose

victory pose

defiant pose

shy inward pose

overacted reaction pose

Visual Style:

Clean anime illustration, high clarity, simple background, neutral lighting, dataset-friendly composition, strong visibility of face, hair, hands, body silhouette, and outfit details.

こちらが生成結果。少しアニメーションしているカットもありますが、おおむね意図通りになりました。40枚は無理だったようで、せいぜい5秒で十数枚といったところでしょうか。キャラクターの一貫性はこれまででも一番よく取れていると思います。

このmp4をもとにこのように各フレームを分割すると、LoRAのデータセットとして使えそうな画像群が簡単に入手できました。これは特に、魔法少女のように衣装が複雑で整合性を取るのが大変なキャラクターの場合に使えるテクニックだと思います。正面のカットが中心になったので、プロンプトで「横から・背後から、座っている、寝ている」などのバリエーションを出すとさらに良くなりそうですね。

切り出された1枚ずつの精度はこのような感じ。SDXLでも出せるキャラならわざわざここまでしませんが、1枚しか手元に画像がなかったり、デザインがプロンプトではとても再現できないほど複雑だったりする場合に役立ちそうです。

＜mp4をpngに分解するには？＞

mp4を静止画に分解するやり方はいろいろありますが、一番簡単なのはこちらの「Ezgif.com」の「Video to PNG converter」を使うこと。リンク先からmp4をアップロードすると、指定したフレームレートでpngに分解してzipでまとめてくれます。

5秒動画を20枚に分割したいなら、1秒あたり4枚なので「4FPS」を選びます。サイズは「オリジナル」としましょう。「Don't display the images, I just want a ZIP file」（分割後のpngはいちいち見せないでくれ、zipだけ欲しいんだ）にチェックを入れるとその通りになります。あとは「Convert to PNG！」を押して少し待つと、zipファイルへのリンクが表示されます。

あくまでローカルでやりたい場合は、ffmpegを使うのがよいでしょう。使い方はLLMに聞くのが早いですが、Windowsならこちらからffmpeg-git-essentials.7zをDLして解凍します。こちらのサイトも参考になると思います。

終わりに

というわけで、かなり長くなりましたがSeedance2.0特集でした。参照メディアの一貫性保持と編集性の高さは過去例を見ないレベルで、音声同期も非常にナチュラルなので、ちょっとしたアイデアを高品質な動画にするにはもってこいの最高級モデルと言えると思います。

個人的にやりたいのは、今回紹介したようなちょっとクスッと笑えるようなネタだったり、一貫性をふだんの作品作り（漫画やイラスト）に活用する方なのですが、映像系のクリエイターさんなら相当ハイクォリティな動画作品を作れるようになりそうですね。これまで作ったAI絵をちょこっと動かすだけでもとても楽しいので、どんどんクレジットがなくなっていきます。

上の動画はこちらのプロンプトで生成しました。冒頭の登場の仕方やキャタピラの動きなどに細かい不満はありますが、それも動画入力して指示すれば直せてしまうので、動画生成もかなりのところまで来た感がありますね。

Seedance2.0の力が最も引き出されるのは、少枚数の参照画像で自由にプロンプト指示したときですので、開始フレームや終了フレームを作り込むと、非常に自然な動画を生成することができます。となると、相性がいいのはやはりNanoBananaPro。映像技術の素人でも自然な表現がイージーにできるようになってきたと感じます。

ところで、世間では既に次世代の画像編集モデル「GPT Image 2（duct-tape-3）」の話題で持ち切りですね。OpenAIがNanoBananaに対抗してお出ししてきたGPT Imageは今ひとつ期待外れだったのですが、GPT Image2のほうはNanoBananaProをも大きくしのぐ、異次元の性能を感じます。

今はArena（モデル詳細を伏せた性能バトルプラットフォーム）で登場したばかりですが、こちらも遠からず一般ユーザーが使えるようになるはずで、そうなるとますます高度な画像・動画編集が可能になってきそうですね。個人的には、ややNSFWが出遅れ気味なのを感じているので、ローカル生成でエロバナナのようなモデルがどんどん出てきてくれることを祈るばかりです。

というわけで、今回はこのへんで。スタジオ真榊でした。